CN103488339B - 一种个性化汉字数字墨水的生成方法 - Google Patents

Abstract

本发明涉及一种个性化汉字数字墨水的生成方法，步骤为：1）对字库中的所有同种笔画进行聚类，挑选出覆盖完整的笔画训练字并提取得到训练字图像；2）拆分已标定出训练字图像的笔画骨架，得到独立笔画段图像；3）根据最大圆滚动算法对独立笔画段图像进行笔画书写轨迹还原，按照还原结果建立笔画分段模型，得到带有笔画风格的笔画段；4）根据带有笔画风格的笔画段中的形状特征建立不同风格数据库；5）在风格数据库中输入手写汉字进行渲染，经过笔画分段、笔画相似度匹配后得到汉字数字墨水。本发明提供给用户一种个性化的触屏汉字输入体验，用户可以自己指定渲染风格，进行触屏书写时，显示结果既保持输入轨迹特征也能体现出指定的书写风格。

Description

一种个性化汉字数字墨水的生成方法

技术领域

本发明属于计算机文字信息处理与触屏交互信息处理技术领域，具体涉及一种个性化汉字数字墨水的生成方法。

背景技术

汉字数字墨水指的是对于触屏设备上的手写汉字输入进行字形渲染的方法。至今为止，触屏汉字输入不再局限于拼音或者手写识别这种基于标准字库的方法，越来越多诸如“笔记”概念的软件开始支持手写输入的汉字，就像用笔在纸上写字一样。然而在电子屏上用电子笔或者手指写字很难有真是纸笔的触感，我们需要假定输入的轨迹都是比较简单的轨迹，而且不附带其他除了笔速以外的任何信息(压力，笔的倾斜度等等)。

目前，有以下几种实现手写数字墨水的方法：

(1)物理模拟方法：在一些特殊的平板设备上，可以根据传感器等设备来获取电子笔的三维空间位置和触屏压力等参数。然后通过一些预定义的物理模型，根据这些参数来模拟出虚拟的运笔状态和墨汁扩散运动。这种方法对于设备有比较高的要求，因为它的模型需要较多的输入参数，一般要用到多个电子笔上的位置传感器和能够识别压力的触屏。

(2)骨架-皮肤方法：这类方法首先预定义一些形状对应于不同方向和位置的笔迹输入，然后根据用户的输入轨迹，将最合适的形状在相应的位置进行黏贴，最终进行边缘平缓产生最终结果。此方法已经可以通过定义形状特征来体现风格，不过还没有机器学习的思想，产生的结果风格比较单调。

(3)风格融合法：根据用户输入的笔画骨架，首先产生一个简单方法渲染的结果，然后根据其形状与标准字库中相应汉字的笔画进行线性插值融合，融合的程度参数可以由用户自行指定。这类方法能够比较好的在结果中体现用户风格和字库风格，但前提是字库必须是经过笔画拆分的。

以上几种方法都可以产生美观的字形渲染结果，然而它们共同的缺点是只能渲染出单一风格的字形，而且对于不同的情况要求的前提条件过多。

发明内容

针对现有技术中存在的缺陷，本发明的目的是提供一个能够学习汉字书写风格的***，然后对于已学习的风格，能够根据用户的手写轨迹输入进行渲染，从而实现个性化的汉字数字墨水。本发明所述方法有了较大改进，在加入半自动化的机器学习方法后，能够仅仅根据输入轨迹产生出多变风格的字形。

为达到以上目的，本发明采用的技术方案是：一种个性化汉字数字墨水的生成方法，其步骤包括：

1)对字库中的所有同种笔画进行聚类，挑选出覆盖完整笔画的训练字并提取得到训练字图像；

2)拆分已标定出所述训练字图像的笔画骨架，得到独立笔画段图像；

3)根据最大圆滚动算法对所述独立笔画段图像进行笔画书写轨迹还原，按照还原结果建立笔画分段模型，得到带有笔画风格的笔画段；

4)根据所述带有笔画风格的笔画段中的形状特征建立不同风格数据库；

5)在所述风格数据库中输入手写汉字进行渲染，经过笔画分段、笔画相似度匹配后得到汉字数字墨水。

更进一步，所述笔画训练字为：“屿”，“建”，“梁”，“帆”，“剃”，“瓯”，“际”，“陟”，“乳”，“地”，“逃”，“虏”，“报”，“转”，“狭”，“姨”，“烽”，“龚”，“悠”，“饿”，“疯”，“希”，“畅”，“诞”，“制”，“觊”，“松”，“茕”，“惘”，“翅”。

更进一步，所述最大圆滚动算法为：

1)用圆心来模拟运笔的轨迹，圆直径模拟墨汁扩散的程度；

2)在笔画段图像的中部随机挑选一个位置作为起始，找到当前位置与两侧边缘相切的圆作为内部最大圆；

3)根据所述最大圆向两个方向进行滚动是需要满足：下一个圆的圆心与当前圆的圆心在位置上相邻，且能够覆盖最多未覆盖的笔画内部的像素点；

4)在拐角部分的圆滚动需要相切于拐角部的内侧边缘；

5)在得到一串圆模拟的结果后，相邻的圆的圆心距离至少为半个像素。

更进一步，所述笔画分段模型将笔画分为如下形状特征：中部，端部和拐角部三种笔画段，同种类笔画段所承载的笔画风格信息各不相同：在端部和/或拐角部，形状根据不同的书写风格有较大不同承载主要的风格信息；在中部，体现笔画的宽度和走向承载次要的风格信息。

更进一步，在所述笔画分段模型中根据以下方法得到笔画段上的切分点：

1)通过对于圆半径和圆心方向的变化程度，设定阈值来判断笔画不同部分的切分点，

2)采用半径和方向对于圆下标的二阶导数设定阈值，对应的阈值分别为0.1与0.01；

3)当某个点前后对应的值一个大于阈值一个小于阈值时，判定该点为一个切分点。

更进一步，增加人工操作检查所述笔画分段模型的分割结果：在相应的笔画段切分位置点下提示点，根据提示点的位置进行新的笔画分段。

更进一步，所述不同风格数据库按照笔画类型、笔画聚类、笔画序号、笔画段类型、笔画段序号分别作为索引记录了各个笔画段的风格特征；对所述笔画段中的形状特征：对笔画中段，记录宽度与方向趋势；对笔画端部与拐角部，记录边缘性状与接口信息并用Bezier曲线表达。

更进一步，步骤5)中输入手写汉字进行渲染时，

1)对于笔画中段，按照输入的轨迹作为新的骨架，以原来的宽度信息进行圆渲染；

2)对于端部和拐角部，在接口处进行变形以贴合方向与宽度的变形，对于离接口处最近的Bezier曲线，调整接口处的关键点与第二个关键点，其余关键点保持不变；

3)对于各个部分渲染的结果进行边缘平滑，首先对于每一个中段的边缘进行Bezier曲线拟合，然后整体的边缘便成为一个Bezier曲线的串；在接口处，合并相邻的两个低次Bezier曲线为一个更高次的Bezier曲线。

更进一步，步骤5)中进行笔画分段时：对于每个笔画轨迹输入轨迹进行分段比配：若入口出口方向与风格化数据库对应笔画中的拐角部相符而且没有产生逆序匹配，则选择这两个拐角部作为一个匹配对。

更进一步，步骤5)中笔画相似度匹配时按照如下方法挑选出输入轨迹段误差最小的笔画段：

1)对笔画整体轨迹在整字图像中所占的位置与大小的相似性，以及笔画段自身的特征的相似性进行匹配：

2)笔画中部进行整体轨迹方向的相似性计算，端部与拐角部进行接口处方向与宽度的相似性计算；

3)整体的误差可以表征为：宽度差+高度差+中心位置距离差异；接口处的误差表征为：方向误差值/π+宽度误差值/10；

4)最终的误差值表征为：总体误差+笔画段误差，误差值越小则相似性越高。

有益效果：

本发明的效果在于提供给用户一种个性化的触屏汉字输入体验，用户可以自己指定渲染风格，进行触屏书写时，显示结果既保持输入轨迹特征也能体现出指定的书写风格。

附图说明

图1是本发明汉字数字墨水生成方法的一实施例中挑选出某种风格的训练字挑选出的30个训练字；

图2是本发明汉字数字墨水生成方法的一实施例中个性化汉字数字墨水的实现步骤示意图；

图3是本发明汉字数字墨水生成方法的一实施例中个性化汉字数字墨水的实现流程框架图；

图4是本发明汉字数字墨水生成方法的一实施例中训练字笔画拆分的示意图，有些端部形状无法还原；

图5是本发明汉字数字墨水生成方法的一实施例中渲染时的工作流程示意图；

图6是本发明汉字数字墨水生成方法的一实施例中生成的渲染结果与原字比对的示意图；

图7(a)—7(b)是本发明汉字数字墨水生成方法的一实施例中最大圆滚动算法的示意图，图7(a)表示中间部分，图7(b)表示拐角部分。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，可以理解的是，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图2所示是本发明汉字数字墨水生成方法的一实施例中个性化汉字数字墨水的实现步骤示意图，包括步骤如下：

(1)训练字的挑选。

为了学习某种特定的书写风格，我们需要挑选特定的一些汉字作为训练字。我们假定用户输入的轨迹以笔画为单位，这里我们挑选训练字需的一个基准在于要覆盖汉字所有笔画的各种写法，而且每个字的笔画数量不宜过多。本发明所述方法采用一种半自动化的方法来挑选训练字。

首先，我们需要一套拆分好笔画的完整字库，作为所有汉字标准笔画拓扑结构的表征，然后根据这种特征进行训练字的挑选；本方法中采用楷体GB6763字库。这是因为楷体是一种相对标准的汉字字体，它所表征的笔画结构比较符合汉字的标准写法。对于每一种笔画，首先选出字库中所有同种笔画，由于同一种笔画可能存在不同的写法，比如有悬针竖与垂露竖之分，所以我们还要对同种笔画进行更细粒度的分类，我们称之为笔画聚类。

然后，对于每一个聚类中的笔画，有些笔画的某些部分可能在整字图像中与其他笔画有交叉，如果是中间部分，由于其形状可以根据两侧的边缘点推测出来，所以可以还原；如果是端部或者拐角部分，由于其形状的不规则性，是不可还原的。

所以，我们的最终目的是要覆盖所有笔画种类的笔画聚类的各个不可还原部分(通常是端部这种最能体现风格的部分)的写法。挑选算法采用贪心算法，在给定的最大笔画数的限制下，由机器挑出当前能够覆盖最多数量笔画聚类部分的汉字，然后由人来确定是否加入训练字集。最终，我们选定30个训练字，如附图1所示是本发明汉字数字墨水生成方法的一实施例中挑选出某种风格的训练字挑选出的30个训练字示意图；挑选出以下30个字作为训练字集：“屿”，“建”，“梁”，“帆”，“剃”，“瓯”，“际”，“陟”，“乳”，“地”，“逃”，“虏”，“报”，“转”，“狭”，“姨”，“烽”，“龚”，“悠”，“饿”，“疯”，“希”，“畅”，“诞”，“制”，“觊”，“松”，“茕”，“惘”，“翅”。

(2)训练字的笔画拆分。

确定了30个训练字后，先要找出要处理的风格的30个训练字图像，进行笔画拆分后得到的是被拆分开的独立笔画：横、竖、撇等。当我们对于某种风格找出相应的训练字后，接下来的工作就是要进行风格学习并产生相应的数据库。由于渲染时是以笔画为单位，所以我们学习的内容也以笔画为单位，首先我们挑出指定风格的训练字，可以是源自字库中的汉字(比如楷体，宋体等)，也可以源自真实的书法作品，然后通过扫描成为二值图。然后我们采用半自动的方法拆分训练字的笔画：由人工来标定大致的训练字中的各个笔画骨架，这一步我们开发了一个小的IOS应用，能够提供一个以汉字图像为背景的界面，让用户使用电子笔或手指来进行标定。下一步，***根据自动化办法进行笔画拆分：根据标定的骨架，挑选出每一个笔画的大致像素区域，训练字如果有些笔画的某些部分与其他笔画交叉，我们还原出其中间的交叉部分得到笔画段的中部，而对于端部或拐角部的部分，打一个“不可用”的标注，如图4所示是本发明汉字数字墨水生成方法的一实施例中训练字笔画拆分的示意图，有些端部形状无法还原。

(3)笔画分段。

我们使用一种笔画分段模型来表征笔画的风格，将笔画分为三种笔画段：中部，端部和拐角部。不同种类笔画段所承载的笔画风格信息各不相同：在端部与拐角部，其形状可能根据不同的书写风格有较大不同，承载主要的风格信息；对于中部来说，它主要体现笔画的宽度和走向，承载次要的风格信息。

为了实现笔画分段同时得到笔画宽度与书写方向等信息，本发明所述方法采用圆来模拟书写时的“墨印”，而笔画就是一连串的圆所渲染出的结果。为了还原出笔画的书写轨迹，

最大圆滚动算法如下：

我们首先在笔画图像的中部随机挑选一个位置作为起始，找到当前位置的内部最大圆，即与两侧边缘相切的圆，

然后向两个方向进行滚动，滚动规则如下：下一个圆的圆心与当前圆的圆心在位置上相邻，且能够覆盖最多未覆盖的笔画内部的像素点。在拐角部分，我们需要定义一个附加的规则来保证最大圆能够按照正确的防线滚动，而不会由于拐角部独特的形状而走向“死胡同”，即在拐角部的圆滚动需要相切于拐角部的内侧边缘，其示意图如图7(a)、图7(b)所示。从笔画图像二值图中，用圆心来模拟运笔的轨迹，圆的直径模拟墨汁扩散的程度。圆的大小与个数由当前在笔画中的位置来和笔画整体的长度来决定。

更进一步而言，圆心的模拟以半个像素长度作为拟合的最小单位，也即在得到一串圆模拟的结果后，相邻的圆的圆心距离至少为半个像素。有时相邻的圆不能覆盖到未覆盖内部像素时，将搜索的范围逐渐增大((1,2……6)*0.5)，直到找到能够覆盖未覆盖内部像素的最大圆。最大圆滚动终止的条件是圆半径小于1或者在6*0.5的范围内没有能够找到可以覆盖未覆盖内部像素的最大圆，这两种情况都表明滚动已经达到笔画的端部。

通过最大圆滚动的算法，我们能够还原出一个大致的书写轨迹，但是这个轨迹并不是真实的书写轨迹，这是因为在拐角部与端部，书写的轨迹通常不是规则的。所以，我们只把还原出的这个“最大圆轨迹”作为中段的正确轨迹与切分端部与拐角部的一个依据。通过对于圆半径和圆心方向的变化程度，我们设定一些阈值来判断笔画不同部分的切分点，这是由于在笔画端部与拐角部，这两个数据通常会发生比较明显的变化，而在中段部分宽度和方向的变化是不明显的。具体来讲，我们采用的参数是半径和方向对于圆下标的二阶导数，而对应的阈值分别为0.1与0.01。二阶导数表征的是数值变化程度的改变，当某个点前后对应的值一个大于阈值一个小于阈值时，判定该点为一个切分点。最后，由人来进行检查分割的结果，如果有问题的话，***也给出了调整的方法：人工可以在相应的笔画段切分位置点下提示点，然后根据提示点的位置进行新的笔画分段。

(4)风格数据库的生成。

对于(3)中拆分出的笔画段，我们需要设计合理的数据结构来存储各种笔画段的形状特征。该风格数据库中按照笔画类型、笔画聚类、笔画序号、笔画段类型、笔画段序号为索引，记录了各个笔画段的风格特征，对于中段，记录宽度与方向趋势；对于端部与拐角部，记录边缘性状与接口信息。

对于中段部分，我们所关注的是其宽度与方向，由于它们的变换并不是特别的明显，所以我们可以根据一定的间隔，挑选其相应位置的最大圆的半径与根据圆心轨迹所计算出的方向信息(实践中，我们每10个圆挑选一个)作为特征，记录到数据库中；对于端部和拐角部，由于笔画轨迹在这两个部分不规则，我们关注其边缘的形状。对于形状的表达，我们采用Bezier曲线的拟合方法，将边缘用Bezier曲线拟合后，我们记录这些曲线的关键点作为形状的特征；另外，由于这些部分需要与其他部分接合，我们还要记录接合处的方向与宽度。

(5)渲染。

到(4)为止，风格数据库即告生成完毕。当我们生成了一些数据库后，用户就可以挑选一个风格作为渲染风格对触屏手写输入进行渲染了。渲染流程如图5所示，对于每个笔画轨迹输入，我们首先对轨迹进行分段，以确定该笔画的类型与哪些位置对应哪种类型的笔画段。由于书写差异，有时候输入轨迹的分段与标准笔画的分段可能存在差异(比如竖弯钩的弯，有些风格写的平滑有些风格写的方向变化急剧)，这时候首先需要对分段进行匹配。更进一步来讲，我们需要做的是拐角部分的匹配，中间部分由拐角部分与端部相夹得到。从两方面考虑进行匹配：拐角部在笔画中的前后顺序以及入口出口方向，也即如果入口出口方向与数据库对应笔画中的拐角部相符(这里定义相符为差的绝对值小于π/2)，而且没有产生逆序匹配，那么选择这两个拐角部作为一个匹配对。

完成匹配后，我们下一步制定笔画段的挑选策略。一般来讲，要考虑两方面的相似性：笔画整体轨迹在整字图像中所占的位置与大小的相似性，还有笔画段自身的特征的相似性：中部考虑整体轨迹方向的相似性，端部与拐角部考虑接口处方向与宽度的相似性。具体的计算如下：

总体的误差可以表征为：宽度差+高度差+中心位置距离差异，

其中的所有误差都是绝对误差值相对于整字图像大小的数值；

接口处的误差可以用如下公式表征：

方向误差值/π+宽度误差值/10，端部和拐角部的误差由其接口误差决定；

中部则按比例选择十个位置，计算其方向的绝对误差值，然后相加。根据上述，最终的误差值为：总体误差+笔画段误差

误差值越小说明相似性越高。根据相似性，我们挑选出与输入轨迹段误差最小的笔画段作为待渲染的结果。在渲染笔画段时，我们需要对其做一定的变形来贴合输入轨迹：对于中段，我们按照输入的轨迹与作为新的骨架，以原来的宽度信息进行圆渲染；对于端部和拐角部，我们对于接口处进行变形以贴合现有的条件，分为两个方面：方向与宽度的变形，具体方法是对于离接口处最近的Bezier曲线，调整接口处的关键点与第二个关键点，其余关键点保持不变。这样既能够进行变形，又可以保持整体形状不发生过大变化。最后一步，对于各个部分渲染的结果进行边缘平滑，具体方法是首先对于每一个中段的边缘进行Bezier曲线拟合，然后整体的边缘便成为一个Bezier曲线的串，在接口处，合并相邻的两个低次Bezier曲线为一个更高次的Bezier曲线，这样可以保持两边的方向基本不变，但中间变得更平滑。得到最终的边缘后，在内部填充渲染颜色(一般为黑色)，形成最终的渲染结果。

如图3所示是本发明汉字数字墨水生成方法的一实施例中个性化汉字数字墨水的实现流程框架图，其中包含如下步骤:

第一步，寻找某种风格的训练字。这些训练字可以来自标准字库，比如楷体、宋体等，也可以来自书法家的作品的扫描图片。例如附图1中的30个训练字，皆源自于楷体标准字库；对于书法作品则需要扫描、切分、校准、归一化等操作来提取训练字图像。

第二步，对训练汉字进行笔画标绘。由于本发明使用半自动化方法拆分训练字笔画，这一步需要由用户手动标绘出训练字笔画的大致骨架。本发明的***中设计了一个IOS应用作为支持。用户须在一个以训练字图像为背景的界面中，用手指或电子笔标绘每个笔画的大致骨架，程序不需要标绘的十分精确，但是还是要求尽量能够表征出笔画所在的位置。当标绘完30个训练字的笔画骨架后，我们提取出这些骨架的位置信息，然后程序会进行自动化的笔画切分，得到训练笔画信息。

第三步，对上一步产生的结果，我们运行最大圆滚动的方法来还原出笔画的大致书写轨迹，然后通过指定的阈值进行笔画段的切分。在得到结果后，由数据库制作人员检查结果是否符合正常的书写习惯。如果有偏差，制作人员需要重新对该笔画进行分段操作，具体方法是在新的正确的分段位置标记成特定的颜色或者标记(可根据情况设定不同的颜色进行区分)，然后交由程序进行自动处理。根据还原的轨迹，找到离标记点最近的位置作为新的切分位置，据此进行笔画段的切割。这样，便可以得到所有训练笔画的正确分段。

第四步，生成笔画段风格数据库。根据之前讨论的对于不同笔画段的数据格式，由第三步的最终结果生成。这里阐明一下存放的方法：本发明所述方法使用文件***来存储笔画风格信息，对于一个笔画，首先确定其笔画类型与聚类，对于相同类型与聚类的笔画，将其所有笔画段存放在一个文件夹下，用序号0-N作为其笔画的标号；对于笔画段，根据其类型不同，用关键字(CORNER，START，END，MIDDLE)来标识其类型；对于相同类型的笔画段，用1-M作为其序号。另外，使用rtf格式存储，便于多***的支持。使用以上的方法，每个笔画段的文件名会被命名为：笔画序号_笔画段类型关键字_笔画段序号.rtf，笔画类型的拼音名称作为第一层文件夹(例如“heng”、“shu”等)，笔画聚类序号作为第二层文件夹(1-K)，文件名作为最终的访问依据，形成三层的文件存储模式。

第五步，用户选定一个已经生成的数据库作为渲染风格。这一步中，***会提示现在已经生成的数据库的名称，其名称可以作为风格名称以供用户选择。

第六步，渲染。当用户在移动设备上书写时，每当完成一个笔画时，首先对其进行分段操作，然后在风格数据库中找寻相应的笔画段进行变形和渲染，最后平滑边缘以产生美观且带有指定风格与输入轨迹风格的字形结果。图6展示了一些汉字的字形渲染结果，使用的风格分别是楷体和宋体，从结果中我们可以看到，在拐角处与端部的风格展现的比较好，并且其骨架风格是由输入决定的。

Claims (9)

1.一种个性化汉字数字墨水的生成方法，其步骤包括：

1)对字库中的所有同种笔画进行聚类，挑选出覆盖完整笔画的训练字并提取得到训练字图像；

2)拆分已标定出所述训练字图像的笔画骨架，得到独立笔画段图像；

3)根据最大圆滚动算法对所述独立笔画段图像进行笔画书写轨迹还原，按照还原结果建立笔画分段模型，得到带有笔画风格的笔画段；

4)根据所述带有笔画风格的笔画段中的形状特征建立不同风格数据库；

5)在所述风格数据库中输入手写汉字进行渲染，经过笔画分段、笔画相似度匹配后得到汉字数字墨水；进行笔画分段时：对于每个笔画轨迹输入轨迹进行分段比配：若入口出口方向与风格化数据库对应笔画中的拐角部相符而且没有产生逆序匹配，则选择这两个拐角部作为一个匹配对。

2.如权利要求1所述的个性化汉字数字墨水的生成方法，其特征在于，所述笔画训练字为：“屿”，“建”，“梁”，“帆”，“剃”，“瓯”，“际”，“陟”，“乳”，“地”，“逃”，“虏”，“报”，“转”，“狭”，“姨”，“烽”，“龚”，“悠”，“饿”，“疯”，“希”，“畅”，“诞”，“制”，“觊”，“松”，“茕”，“惘”，“翅”。

3.如权利要求1所述的个性化汉字数字墨水的生成方法，其特征在于，所述最大圆滚动算法为：

1)用圆心来模拟运笔的轨迹，圆直径模拟墨汁扩散的程度；

2)在笔画段图像的中部随机挑选一个位置作为起始，找到当前位置与两侧边缘相切的圆作为内部最大圆；

3)根据所述最大圆向两个方向进行滚动是需要满足：下一个圆的圆心与当前圆的圆心在位置上相邻，且能够覆盖最多未覆盖的笔画内部的像素点；

4)在拐角部分的圆滚动需要相切于拐角部的内侧边缘；

5)在得到一串圆模拟的结果后，相邻的圆的圆心距离至少为半个像素。

4.如权利要求1所述的个性化汉字数字墨水的生成方法，其特征在于，所述笔画分段模型将笔画分为如下形状特征：中部，端部和拐角部三种笔画段，同种类笔画段所承载的笔画风格信息各不相同：在端部和/或拐角部，形状根据不同的书写风格有较大不同承载主要的风格信息；在中部，体现笔画的宽度和走向承载次要的风格信息。

5.如权利要求4所述的个性化汉字数字墨水的生成方法，其特征在于，在所述笔画分段模型中根据以下方法得到笔画段上的切分点：

1)通过对于圆半径和圆心方向的变化程度，设定阈值来判断笔画不同部分的切分点，

2)采用半径和方向对于圆下标的二阶导数设定阈值，对应的阈值分别为0.1与0.01；

3)当某个点前后对应的值一个大于阈值一个小于阈值时，判定该点为一个切分点。

6.如权利要求4所述的个性化汉字数字墨水的生成方法，其特征在于，增加人工操作检查所述笔画分段模型的分割结果：在相应的笔画段切分位置点下提示点，根据提示点的位置进行新的笔画分段。

7.如权利要求4所述的个性化汉字数字墨水的生成方法，其特征在于，所述不同风格数据库按照笔画类型、笔画聚类、笔画序号、笔画段类型、笔画段序号分别作为索引记录了各个笔画段的风格特征；对所述笔画段中的形状特征：对笔画中段，记录宽度与方向趋势；对笔画端部与拐角部，记录边缘性状与接口信息并用Bezier曲线表达。

8.如权利要求1所述的个性化汉字数字墨水的生成方法，其特征在于，步骤5)中输入手写汉字进行渲染时，

1)对于笔画中段，按照输入的轨迹作为新的骨架，以原来的宽度信息进行圆渲染；

2)对于端部和拐角部，在接口处进行变形以贴合方向与宽度的变形，对于离接口处最近的Bezier曲线，调整接口处的关键点与第二个关键点，其余关键点保持不变；

3)对于各个部分渲染的结果进行边缘平滑，首先对于每一个中段的边缘进行Bezier曲线拟合，然后整体的边缘便成为一个Bezier曲线的串；在接口处，合并相邻的两个低次Bezier曲线为一个更高次的Bezier曲线。

9.如权利要求1所述的个性化汉字数字墨水的生成方法，其特征在于，步骤5)中笔画相似度匹配时按照如下方法挑选出输入轨迹段误差最小的笔画段：

1)对笔画整体轨迹在整字图像中所占的位置与大小的相似性，以及笔画段自身的特征的相似性进行匹配：

2)笔画中部进行整体轨迹方向的相似性计算，端部与拐角部进行接口处方向与宽度的相似性计算；

3)整体的误差可以表征为：宽度差+高度差+中心位置距离差异；接口处的误差表征为：方向误差值/π+宽度误差值/10；

4)最终的误差值表征为：总体误差+笔画段误差，误差值越小则相似性越高。