简介：面向数字图像处理与古文字数字化研究的Matlab实验资源包，围绕甲骨文图符提取任务，覆盖边缘检测、质心定位、方向校正、背景去噪、膨胀腐蚀与形态学操作、二值化、图符分离及外轮廓多边形拟合等关键环节，并给出文字分割思路，适合图像处理研究者、文化遗产保护及考古数字化人员学习与二次开发。压缩包共3个文件，含1个Matlab脚本和2张png图像样本，整体仅1.96MB，轻量精炼，便于快速运行与对照实验结果。脚本代码结构清晰，将预处理、形态学处理、图符分离与轮廓拟合串联为可复现流程；png样本取材自甲骨文图符，可直接用于验证各步骤参数效果。已有136人浏览学习。借助该资源可直观理解膨胀、腐蚀、开闭运算等操作在古文字图像中的实际作用，为文字识别、文物数字化保存及后续算法改进提供扎实基础。 做过甲骨文数字化的人应该都有体会，从拓片里把单个甲骨文图符抠出来，看着简单，真做起来比想象中磨人。我这次把一套“数字图像处理+甲骨文图符提取”的流程完整捋了一遍，配套整理了可直接运行的Python脚本和图料数据，记录一下整个过程中踩过的坑和最终定型的方案。这篇内容对正在做文物数字化、古文图像处理，以及刚入门数字图像处理、想找真实图像素材练手的朋友，应该都有参考价值。
这个项目里说的“图料”，指的是原始甲骨拓片图像和按图符裁剪后的样本集；“代码”则是从二值化、去噪到连通域分析、自动裁剪保存的完整处理管线。整个过程不依赖深度学习，只用经典数字图像处理算法就能完成一批拓片的图符粗提取，效果稳定，也容易复现。
1. 项目概述与核心需求拆解
1.1 这个项目到底在解决什么问题
甲骨文研究里有个很基础但很耗时的环节：从整张拓片中把单个字或单个图符单独切出来，做成一个个独立的样本。为什么非要切出来？因为后续要做字形比对、分类整理、辞例检索，都需要以“单个图符”为最小单位。传统方式靠人工在图像软件里框选，一张拓片几十个图符，一批拓片就是几百上千个，鼠标点得手酸不说，框选大小、边距还不统一，严重影响后续特征提取的精度。
这个项目的核心目标就是把这个“切图符”的动作自动化和半自动化。输入是一张甲骨拓片，输出是一批裁剪好的单字图片，同时保留每个图符在原图上的位置信息，方便回溯和人工校对。技术上走的是经典数字图像处理路线，不依赖GPU，普通笔记本电脑就能跑完整个流程。
1.2 技术选型与方案思路
方案上用Python + OpenCV，原因很简单：OpenCV的API覆盖了从图像读取、灰度化、二值化到形态学操作、轮廓提取的完整链路，而且文档丰富，遇到问题容易搜到答案。相比直接用深度学习目标检测，经典图像处理方案在拓片这类“高噪声、低纹理、笔画稀疏”的图像上反而更可控——你完全知道每一步在做什么，参数调起来也直观。
整体思路分四步走：预处理（去噪、二值化）→ 形态学处理（连接断裂笔画、剔除小噪点）→ 连通域分析（找到每个疑似图符的轮廓）→ 筛选与归档（按面积、宽高比过滤杂质，自动裁剪保存）。这套流程本质上是在做“无监督的图符检测”，不需要标注数据，对刚接触数字图像处理的人来说是很好的实战练习。
2. 图料整理与预处理策略
2.1 拓片图料的来源与整理
这次处理的是几批公开的甲骨拓片扫描图，来源不统一，清晰度和背景差异很大。有的拓片是白底黑字，对比度高，好处理；有的发黄，纸纹明显，底噪大；还有的图上有蛀洞、墨点甚至装订孔，这些在图像上都是“伪图符”，会严重干扰自动提取。所以第一步不是写代码，而是先看图、分优先级：把材质和背景接近的拓片放在同一批，分别标上A、B、C三组，后续算法参数按组微调，而不是试图用一套参数通吃所有图。
整理时我另外做了一件事：把每张拓片的名字按“来源_时期_编号”的规则重命名。这一步看似无关紧要，实际影响很大，因为后续所有输出文件名都基于输入文件名生成，如果原始命名混乱，归档阶段会花掉大量时间在“这是哪张图切出来的”这种问题上。参考命名示例：bone_shang_001.png、tortoise_yin_023.png。
2.2 预处理流程和参数设计
预处理是整个管线里最影响结果的一环，我实际的顺序是：读图 → 灰度化 → 高斯模糊去噪 → 二值化。二值化这里没有直接写死阈值，而是用Otsu自动阈值。为什么不用固定阈值？因为不同拓片的墨色深浅、纸张亮度差异太大，固定阈值往往要么把笔画融进背景，要么把纸纹噪声也一起变成前景，Otsu按图像的灰度分布自动计算最优分割阈值，对光照不均、背景明暗不一的图适应性更强。
高斯模糊的核大小我取的是5×5，sigma取0。这个参数看着小，但作用很关键：一是压制纸纹颗粒感，二是让细笔画的边缘过渡更平滑。模糊太大笔画会变粗甚至两条相邻笔画黏连，太小又压不住噪点，5×5在中低分辨率拓片（约2000×1000）上是个比较稳的取值。如果你处理的拓片分辨率特别高或特别低，按比例把核调到7×7或3×3即可。
2.3 形态学操作与关键参数搭配
二值化之后就能看到图符了吗？能，但很不干净。拓片上笔画中间常有断裂，尤其中间年代久远、墨迹褪色的部分，同一笔的灰度变化可以非常大，二值化后一个字常碎成好几块。这时就需要形态学操作里的闭运算：先膨胀再腐蚀，作用是“填平小裂缝、连通靠得近的区域”。
闭运算的核我倾向用椭圆核（cv2.MORPH_ELLIPSE），尺寸从3到7逐步试。为什么用椭圆不用矩形？矩形核容易把笔画边缘撑出直角，会让后续轮廓变得僵硬；椭圆核更接近笔画的自然形态，对甲骨文这种有弧度的笔画更友好。这里有个很实际的操作：不要一上来就闭运算，先用一个核大小跑一遍，把结果图实时弹出来看每张拓片上前景区块的数量和状态，再决定要不要放大核或者改成开运算。开运算（先腐蚀后膨胀）的作用是去掉独立小噪点，如果二值化后图面上碎点太多，可以先做一次小尺寸开运算，再做闭运算。
3. 图符提取核心代码实现
3.1 从读图到二值化的基础流程
代码尽量保持清晰、模块化，方便你按自己手里的图调整。下面是从读图到二值化的基础代码段：
import cv2 import numpy as np import os def load_and_preprocess(image_path): # 读取原始图像，保留颜色信息，后续可视化会用 src = cv2.imread(image_path, cv2.IMREAD_COLOR) if src is None: raise FileNotFoundError(f"无法读取图片: {image_path}") gray = cv2.cvtColor(src, cv2.COLOR_BGR2GRAY) # 高斯模糊：压制纸纹噪声，平滑边缘 blurred = cv2.GaussianBlur(gray, (5, 5), 0) # Otsu自动阈值，返回二值图 _, binary = cv2.threshold(blurred, 0, 255, cv2.THRESH_BINARY_INV | cv2.THRESH_OTSU) return src, gray, binary注意二值化这里用了THRESH_BINARY_INV，因为甲骨拓片一般是“白底黑字”，文字笔画灰度低，背景灰度高，取反之后前景才变成白色、背景变黑，后面找轮廓时默认只找白色区域，这样逻辑才顺。如果你遇到的图是“黑底白字”，去掉取反标志或者换回THRESH_BINARY即可。
3.2 形态学操作与轮廓提取
拿到二值图后，先做一轮形态学清理，再找轮廓，这一步的代码实现和参数解释：
def morph_and_find_contours(binary, close_kernel_size=5): # 先用开运算剔除孤立噪点 open_kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (3, 3)) opened = cv2.morphologyEx(binary, cv2.MORPH_OPEN, open_kernel) # 再用闭运算连接断裂笔画 close_kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (close_kernel_size, close_kernel_size)) closed = cv2.morphologyEx(opened, cv2.MORPH_CLOSE, close_kernel) # 提取轮廓，只取外轮廓，避免内孔造成的嵌套轮廓干扰 contours, _ = cv2.findContours(closed, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) return closed, contoursRETR_EXTERNAL只提取最外层轮廓，这是一个有意为之的选择：甲骨文笔画内部常有不规则镂空，如果用RETR_TREE把所有孔洞轮廓都提出来，后续筛选时会被大量小面积轮廓淹没。只取外轮廓，把“内孔”的语义直接忽略，处理目标更干净。
3.3 图符筛选与自动归档
轮廓提取完，真正的“坑”才开始：你会得到几十甚至上百个轮廓，其中有真正的图符，也有墨点、蛀洞、纸边阴影和二值化残留的杂质。必须用几何特征过滤。我用三个指标：面积、宽高比、轮廓外接矩形的边距。
def filter_and_crop(src, contours, min_area=500, max_area_ratio=0.1): height, width = src.shape[:2] max_area = height * width * max_area_ratio results = [] for idx, cnt in enumerate(contours): area = cv2.contourArea(cnt) if area < min_area or area > max_area: continue x, y, w, h = cv2.boundingRect(cnt) # 剔除窄长的边缘噪声 if w < 10 or h < 10: continue if w / h > 10 or h / w > 10: continue # 向外扩几个像素，避免裁到笔画本身 pad = 3 x1 = max(0, x - pad) y1 = max(0, y - pad) x2 = min(width, x + w + pad) y2 = min(height, y + h + pad) crop = src[y1:y2, x1:x2] results.append((idx, (x1, y1, x2, y2), crop)) return results筛选参数的设定如果只拍脑袋，会很痛苦。我的做法是先用一个探针脚本，把所有轮廓的面积、宽高比输出成排序列表，肉眼扫一遍确定“哪些是目标、哪些是噪声”的分界值。比如某张拓片上真实图符面积基本在3000到15000之间，而噪点面积基本小于300，那min_area设500就很稳。这个“先统计、再定阈值”的习惯能省下大量反复试参的时间。
保存策略上，我用源文件名_序号_坐标.png作为输出文件，坐标信息直接写进文件名。这样万一某个裁剪结果有问题，能立刻从文件名知道它在原图的哪个位置，不用再写代码去查。
4. 常见问题与排查技巧实录
4.1 背景纹理重，二值化后整片区域变白
拓片纸质粗糙、底纹深时，Otsu经常把纸纹纹路一并归为前景，导致一片区域里全是细碎白点，轮廓数量爆炸。这种情况我试下来最有效的方法是“增大高斯模糊核”，先把纸纹这层高频细节抹平，再做二值化。如果抹完纸纹笔画也虚了，可以改用双边滤波（cv2.bilateralFilter）在保边同时去噪，但注意双边滤波速度慢不少，大批量处理前先测一下单张耗时，避免后期等太久。
4.2 笔画过细，闭运算后连通成块
“闭运算连接断裂笔画”是把双刃剑：核稍微大一点，相邻两行文字的笔画就被黏成一个块，整个提取结果直接报废。我的排查习惯是“每调一次参数就看一次中间结果”，不能偷懒。如果发现闭运算后块状物体明显增多，第一步不是缩小核尺寸，而是先把原图和闭运算结果叠在一起看，确认哪些字是原本就相连、哪些是被核“糊”住的。实际处理中我发现，5×5的椭圆核对大部分拓片都够用，万一图上有巨字和细密小字混排，那就分开批次处理，别指望一个核同时照顾两种尺度的笔画。
4.3 图符边缘带着一圈白边或黑边
这个问题出现在裁剪保存阶段，肉眼不放大根本看不出来，但送到后续识别模块就会暴露——边缘杂色会干扰特征提取。原因大致有两个：一是二值化时阈值偏了，笔画边缘的半透明灰变成前景或背景，裁图时把这层灰也框了进来；二是裁剪区域正好压在另一条噪声边缘上。解决方法是归一化输出时重新做一次干净的前景掩膜：把裁剪区域再次二值化，连通的白色像素才是图符本体，然后用图符像素的最小外接范围重新裁剪，去掉多余边距和杂色。
def clean_crop_by_mask(crop): gray = cv2.cvtColor(crop, cv2.COLOR_BGR2GRAY) _, mask = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY_INV | cv2.THRESH_OTSU) mask = cv2.morphologyEx(mask, cv2.MORPH_OPEN, np.ones((3, 3), np.uint8)) ys, xs = np.where(mask > 0) if len(ys) == 0: return crop y1, y2 = ys.min(), ys.max() x1, x2 = xs.min(), xs.max() return crop[y1:y2 + 1, x1:x2 + 1]4.4 轮廓数量对但顺序乱，和原图对不上号
findContours返回的轮廓顺序是按扫描顺序来的，不保证按阅读顺序从左到右、从上到下。如果你后续要按字形出现顺序归档，比如“第一行第一个字”对应“第一个图符”，这个顺序必须自己排。我做了个简单排序：按外接矩形中心点的y坐标从小到大排，y接近的再按x从小到大排，一组一组排下来基本符合拓片上的阅读顺序。这不是一个完美方案，但实测下来用于归档、校对足够。
5. 后续扩展思路与实用建议
5.1 从半自动到全自动的过渡思路
现在这套流程虽然能批量出结果，但本质上仍是半自动——靠阈值几何特征筛选图符，复杂拓片上总有几个漏检或误检。想往全自动走，有两个方向：一是先做人名笔画标注，收集一批图，人工标好每张图的图符位置，然后训练一个简单的目标检测模型（YOLO系列或Faster R-CNN）做第二道精筛；二是保留现在的几何筛选结果作为候选框，再用一个轻量级分类器判断“这个框里是不是完整图符”。后者训练成本低很多，对中小规模数据更友好。
5.2 多尺度图符的批量处理策略
甲骨文拓片上图符大小差异很大，大字和小字混排时，固定最小面积阈值会牺牲掉小字或者把大字的局部误判成整字。一个比较实用的办法是用“双通道”策略：先用较小阈值提取全部候选框，再用宽高比和像素密度过滤，而不是把阈值定死。实际操作中我有一个参数“像素密度”很好用，即轮廓面积除以外接矩形面积。真正的图符笔画不会填满整个外接矩形，密度通常在0.2~0.6之间；墨块、噪点这种实心区域密度往往超过0.8，一挡一个准，比单独看面积和宽高比更抗干扰。
density = area / (w * h) if density > 0.75: continue # 大概率是墨块或整体噪声5.3 调试可视化的小技巧
这个过程我做得最多的一件事就是“看中间结果”。不要等到最后统一出图再检查，而是每处理一步就保存一张过程图。我实际项目中是增加了一个debug参数，为True时自动把灰度图、二值图、闭运算图、轮廓标记图写到一个debug文件夹，一次跑完直接看十几张中间图就能定位问题出在“二值化太碎”还是“形态学黏连”还是“筛选参数过严”。这种傻瓜式可视化对排查参数问题基本是降维打击，也容易让别人接手你的代码时快速理解整个流程。
最后再分享一个我在整理这批图料时反复验证过的经验：经典图像处理方法在处理拓片这类特殊图像时，并不比深度学习方案差，尤其当你对“每一步逻辑都完全可控”这件事有要求时，它几乎是最优解。按上面的流程跑完一批图，通常能保证八成以上的图符被正确提取，剩下两成交给人工补框，综合效率远高于纯手工操作。如果你手头也在处理古文字、简帛、碑刻拓片之类的内容，不妨照这套思路先跑一版结果出来看看，再根据自己手里的图微调参数，应该能省下不少摸索的时间。
本文还有配套的精品资源，点击获取
