中文简谱的歌词提取与识别研究

知网收录；豆丁网有全文。

【摘要】：随着光学乐谱识别技术在五线谱 识别上的日趋成熟,简谱识别的研究也逐渐引起了学者的关注,简谱是我国广泛使用的音乐记谱法之一,目前对乐谱中歌词信息提取的研究较少。本论文结合计算机 图像处理、乐谱识别技术与简谱记谱法知识,对中文简谱的歌词提取与识别进行了研究,这对减少人工输入中文歌词的工作量、实现计算机自动演唱、歌词搜索以及 简谱的推广与传播具有重要意义。 本论文分析中文简谱的结构特点,在简谱图像预处理、图像分割、歌词提取、歌词识别等各个阶段进行详细设计,并进行实验与分析,其主要内容与工作包括： (1)在图像分割阶段,分析简谱的结构特点,利用投影法与简谱高层领域知识相结合的方法,把歌词区域同音符、标题等区域进行分离获得歌词图像；并对随机采 集的100张简谱图像进行实验与分析,歌词区域分割平均正确率达到了99.11%,实验表明,本论文提出的中文简谱图像分割算法具有较好的性能； (2)在歌词提取阶段,采用基于种子的顺时针螺旋式向外延伸的包围盒算法,根据简谱记谱法的高层领域知识,设计竖直线段结构体对歌词图像每个歌词行单独进 行数学形态学膨胀运算,解决了上下结构歌词包围盒及内嵌包围盒的合并问题；在包围算法的基础上,提出了滑动窗口算法,合并左右结构歌词包围盒,解决了左右 结构歌词错误分离与标点符号去除的问题,这对简谱中水平间距大小不一的歌词具有良好的提取效果；同时,对随机采集的100张简谱图像进行了实验与分析,歌 词提取平均正确率为94.86%,实验证明,本论文提出的基于滑动窗口、数学形态学运算与包围盒相结合的歌词提取算法是有效的歌词提取方法； (3)在歌词识别阶段,针对歌词规模大、字形结构复杂的特点,本论文设计了基于RBF神经网络与BP神经网络相结合的两级分类器方法,首先利用歌词粗网格 特征与RBF网络进行粗分类,将较大规模字符集分解为多类的小规模字符集,然后利用歌词半穿越特征与BP网络进行细分类识别出歌词；最后,对随机采集的 100张简谱图像进行了歌词识别实验与分析,歌词识别平均正确率为68.50%,实验表明,基于RBF网络与BP网络的两级分类器方法是可行的,具有一定 的应用价值。 本论文在中文简谱图像预处理、图像分割、歌词提取、歌词识别等各个阶段进行了算法设计与实验分析,是光学乐谱识别技术在中文简谱领域的新应用与有益探索。

【关键词】：中文简谱 图像分割 歌词提取 包围盒算法 滑动窗口 歌词识别 RBF神经网络 BP神经网络
【学位授予单位】：杭州师范大学
【学位级别】：硕士
【学位授予年份】：2012
【分类号】：TP391.41
【目录】：

• 致谢4-5
• 摘要5-7
• ABSTRACT7-9
• 目次9-11
• 1 绪论11-18
• 1.1 国内外研究现状分析11-13
• 1.2 论文的研究意义与内容13-16
• 1.2.1 论文的研究意义13-14
• 1.2.2 论文的研究内容与技术路线14-16
• 1.3 论文的章节内容安排16-18
• 2 中文简谱图像预处理18-23
• 2.1 基于Otsu算法的中文简谱图像二值化18-20
• 2.2 基于Hough变换的中文简谱图像倾斜矫正20-22
• 2.2.1 基于Hough变换的中文简谱图像直线检测20-21
• 2.2.2 中文简谱图像的倾斜矫正21-22
• 2.3 本章小结22-23
• 3 中文简谱的图像分割23-33
• 3.1 基于简谱高层领域知识的标题、音符、歌词等区域特征分析23-25
• 3.2 基于投影法与简谱记谱法高层领域知识的图像分割25-27
• 3.2.1 基于投影法与简谱记谱法高层领域知识的图像分割方法25-26
• 3.2.2 基于投影法与简谱记谱法高层领域知识的图像分割算法实现26-27
• 3.3 实验与分析27-32
• 3.4 本章小结32-33
• 4 中文简谱图像的歌词提取33-52
• 4.1 歌词提取相关的方法34-35
• 4.1.1 数学形态学运算在简谱歌词提取中的应用34
• 4.1.2 正态分布在歌词提取中选择滑动窗口时的应用34-35
• 4.1.3 包围盒算法的基本思想35
• 4.2 基于滑动窗口与数学形态学膨胀运算相结合的歌词提取35-44
• 4.2.1 基于滑动窗口与数学形态学膨胀运算相结合的歌词提取思路36-37
• 4.2.2 基于数学形态学膨胀运算的左右结构歌词包围盒及内嵌包围盒合并37-39
• 4.2.3 基于滑动窗口的左右结构歌词包围盒合并与标点符号去除39-42
• 4.2.4 基于滑动窗口与数学形态学膨胀运算相结合的歌词提取算法实现42-44
• 4.3 实验与分析44-51
• 4.4 本章小结51-52
• 5 中文简谱图像的歌词识别52-64
• 5.1 歌词特征提取53-55
• 5.1.1 歌词图像归一化与细化53-54
• 5.1.2 歌词粗分类特征54
• 5.1.3 歌词细分类特征54-55
• 5.2 基于RBF与BP神经网络的两级分类器55-59
• 5.2.1 基于RBF网络的歌词粗分类55-57
• 5.2.2 基于BP网络的歌词细分类57-59
• 5.3 实验与分析59-63
• 5.4 本章小结63-64
• 6 总结与展望64-67
• 6.1 本论文总结64-65
• 6.2 研究工作展望65-67
• 参考文献67-72
• 附录72-81