从笔墨到曲线：古文字数字化与智能识别实践

一、古老文字为何是一道技术命题

汉字的演变史几乎与文明史等长：甲骨的瘦劲、金文的浑厚、小篆的匀称婉转，每种书体都凝结着一个时代的审美与秩序。但这些文字的载体——龟甲、青铜、碑石、简帛——天然脆弱，风化、虫蛀与散佚时刻威胁着它们的存在。传统的摹写与拓片，本质上是“以载体复制载体”：精度受制于摹写者的功力，传播受限于物理实体。

数字化给出了另一条路径：把笔墨转化为可计算、可传播、可再创作的数据资产。从工程视角看，这件事的输入是一批图像，输出是结构化的字形数据，中间必须回答四个子问题：

1. 如何在不损伤文物的前提下完成高质量采集；
2. 如何从复杂背景（纹理、残损、噪声）中提取干净的字形；
3. 如何把离散的像素线条还原为连续光滑的矢量曲线，让数字世界的线条同样“婉转灵动”；
4. 如何在样本极度稀缺的条件下，对数以千计的古文字字形完成识别与检索。

二、整体链路：从“笔墨”到“字节”

一条完整的古文字数字化流水线可以划分为七个环节，每个环节的输出都是下一环节的稳定契约：

采集 → 预处理 → 字形分割 → 骨架与轮廓提取 → 曲线拟合 → 数据资产化 → 识别与应用

设计上有两条原则值得坚持。其一，原始图像不可变：所有中间产物（二值图、骨架、矢量数据、元数据）都派生自原图并携带版本号，任何处理失误都可回溯重算。其二，视觉数据与知识数据分离：字形图像与矢量曲线属于“看”的部分，释文、断代、载体、异体字关系属于“知”的部分，两者以稳定的 ID 关联，任何一侧的修正都不应牵动另一侧重跑流水线。

三、采集与预处理：把“笔墨”变成可计算的图像

采集质量决定后续一切环节的上限，实践中要重点控制三件事：

• 采样密度：以最细笔画为基准确定分辨率，确保最细笔画在图像中仍保留足够的像素宽度，否则后续细化与曲线拟合都会在细节处失真；
• 光照条件：使用漫射光源抑制反光与投影梯度；对甲骨刻痕、碑刻等凹凸载体，可多角度补拍，借助阴影增强刻痕对比；
• 色彩基准：随拍标准色卡，为跨批次图像的亮度与对比度归一化提供锚点。

预处理的常见步骤与要点：

• 灰度化与去噪：中值滤波可有效去除拓片石花、纸纤维等孤点噪声，同时对笔画边缘相对友好；
• 二值化：全局阈值易受光照不均影响，通常采用自适应阈值或大津法（Otsu）依据局部统计量分割前景与背景；
• 倾斜校正：通过水平与垂直投影的方差极值估计文本行角度，再做整体旋转补偿；
• 背景剥离：基于连通域的面积与形状特征剔除大块干扰区域；
• 残损处理的原则是“只记录、不臆造”：对残缺笔画保持原始状态并在元数据中标注，避免主观“修复”向训练数据注入噪声。

四、从像素到线条：骨架与轮廓的双轨提取

像素点阵无法直接表达“笔势”，需要提取两种中间表示：

• 骨架（细化）：迭代剥离笔画边缘，把笔画收缩为单像素宽的中心线。骨架保留了笔画的走向、转折与交叉关系，适合做笔画级分析、书写顺序推断与部件分解；缺点是丢失了笔锋的粗细与提按变化。
• 轮廓（边界追踪）：沿字形边界按序追踪，得到封闭的边界点列。轮廓完整保留视觉形状，适合矢量化与渲染，但数据量更大。

实践中通常双轨并行：骨架服务于“理解”——分析结构、分解部件、辅助识别；轮廓服务于“呈现”——拟合曲线、生成字库、还原美感。同一字形的两套表示通过 ID 绑定，互为校验。

五、曲线拟合：让数字线条“婉转灵动”

矢量化的核心，是把轮廓点列压缩为少数几段三次贝塞尔曲线。三次贝塞尔曲线由四个控制点定义：端点 P0、P3 锚定起止位置，方向控制点 P1、P2 牵引曲线走势；曲线始终落在控制点构成的凸包之内。这种“端点定位、控制点牵引”的几何特性，恰好对应毛笔笔画的起笔、行笔与收笔——起收有端，中段婉转。

拟合的经典流程是“参数化—求解—评估—细分”：

1. 弦长参数化：按点间距离为轮廓点分配参数 t，避免采样不均带来偏置；
2. 最小二乘求解：端点固定，用最小二乘估计 P1、P2；
3. 误差评估：计算所有轮廓点到拟合曲线的最大偏差；
4. 递归细分：偏差超过容差时，在误差最大处将点列一分为二，分别重新拟合。

示意性伪代码：

function fit_cubic(points, tolerance):
    t = chord_length_parameterize(points)
    p1, p2 = least_squares_fit(points, t)   # 端点固定为 points[0]、points[-1]
    err, idx = max_error(points, t, p1, p2)
    if err <= tolerance:
        return [Bezier(points[0], p1, p2, points[-1])]
    left  = fit_cubic(points[0 .. idx], tolerance)
    right = fit_cubic(points[idx .. end], tolerance)
    return left + right

两处细节决定曲线的“灵动感”：其一，相邻曲线段在公共端点处必须保持切线一致（一阶几何连续），否则视觉上会出现折角；其二，容差应随字形整体尺寸自适应——小字要求更小的绝对误差，大字则可在不明显失真的前提下用更少的曲线段表达。拟合结果可用通用的矢量路径语法（如 SVG 路径）落地，M 指令表示落笔起点，C 指令描述一段三次曲线：

M 100 200
C 120 150 180 120 220 130
C 260 140 280 190 250 230

六、数据资产化：从单个字形到可用的知识底座

矢量化之后，零散字形要变成可管理、可消费的资产，还需完成三件事：

• 统一度量体系：所有字形映射到统一坐标系，规范基线、字宽（advance width）、上下延伸部等度量，保证跨来源的字形可比较、可混排；
• 封装为通用的轮廓字体格式：让古文字以无损缩放的方式进入现代排版与屏幕显示——篆书可以直接出现在网页与文档中，而不是以低分辨率图片的形式贴上去；
• 建立元数据体系：出处（器物/碑刻编号）、时代、书体、释文、异体字与通假关系逐项登记，并保持图像、骨架、矢量、释文多版本共存。

存储层面，高分辨率原图与字体文件体积大、读多写少，适合放入对象存储统一托管，配合内容分发网络加速对外下发；元数据则进入可检索的知识库，支撑研究型的字形检索与统计。

七、智能识别：小样本条件下的“认字”问题

古文字识别的难度与通用文字识别显著不同，难点集中在四处：

• 类别多：以甲骨文为例，著录单字数以千计，可确释的不足一半，标签体系本身仍在演化；
• 样本少：许多字形全库只有寥寥数例，直接训练封闭集合的分类器极易过拟合；
• 形近字密集：一字多形与多字同形并存，视觉差异极小的字形可能对应完全不同的字；
• 载体噪声强：风化、残断、笔画粘连是常态而非例外。

可行的技术路线是组合式的：

1. 结构特征冷启动：提取笔画密度、轮廓矩、骨架拓扑与部件相对位置等手工特征，配合相似度检索，可解释性强，能在无标注积累时先跑通闭环；
2. 深度特征学习：以卷积网络学习字形表示，并用面向碑刻噪声的数据增强（弹性形变、随机侵蚀、对比度扰动）扩充有效样本；
3. 度量学习应对小样本：不追求“一次分对所有类”，而是学习字形的向量嵌入，以“查询字形—候选字形”的近邻检索输出 Top-K 结果，天然适配类别多、每类样本少的现实；
4. 知识辅助约束：利用部件分解（构件的组合关系）与上下文释文联合打分，把认字从纯视觉问题升级为“视觉 + 知识”的推理问题。

评估与迭代同样重要：以 Top-1/Top-K 准确率与召回率作为核心指标，低置信度样本回流给文字学专家复核，人工结论再沉淀为新的标注——机器把研究者从海量比对中解放出来，人把判断回馈给数据，形成正向循环。

八、工程化落地的四条建议

• 分层部署：采集与预处理属于离线批处理，可按批次调度；矢量化与字库构建按版本发布；识别与检索服务在线运行，按负载弹性伸缩；
• 云基础设施的通用选型：字形资产托管于对象存储，字体文件通过内容分发网络下发，识别服务以容器平台承载，日志与监控告警持续跟踪置信度分布与坏例率——这些能力在百度智能云等平台上均属于通用类目，按数据规模与合规要求评估选型即可；
• 数据治理前置：文物图像的授权与溯源记录、数据分级访问、元数据版本化，应在流水线设计阶段就纳入，而非事后补课；
• 建立质量基线：拟合误差、识别准确率、检索召回率要有持续度量与告警，防止“无人值守”的流水线随数据源变化而质量漂移。

九、结语

线条婉转，是笔墨留给时间的美；曲线光滑，是算法对这份美的转述。当一根篆书笔画被拟合为一组贝塞尔曲线，当一枚残甲上的字形被识别、检索并与释文关联，古老文字就不再只是展柜中的静物，而成为可检索、可引用、可再创作的活性数据。技术人要做的，是把这条从纸面到字节的路修得足够稳、足够开放——让千年之后的读者，依然能在屏幕的像素之间，看见笔墨之间的那份灵动。