復(fù)雜版面文檔圖像中公式與文本的提取及分析.pdf

1、隨著信息時(shí)代的來(lái)臨，人們處理信息更加智能化和高效化。傳統(tǒng)的文檔信息主要記錄在紙質(zhì)文檔上，OCR技術(shù)實(shí)現(xiàn)了紙質(zhì)文檔信息的數(shù)字化，版面分析是OCR實(shí)現(xiàn)的前提。由于中文版面研究歷史較短，在字符形態(tài)和排版方式上與英文版面不同，因此中文版面分析的研究有其自身重要的價(jià)值。中文版面包括圖、表格、公式和文本四個(gè)組成元素，其中公式和文本是主要的部分。由于公式和文本的結(jié)構(gòu)與成分相似，因此版面分析中公式和文本的提取具有一定的困難。
　　本研究主要內(nèi)容包

2、括：⑴首先采用投影輪廓分析法實(shí)現(xiàn)邊界噪聲的去除。然后采用連通區(qū)域標(biāo)記和中值濾波相結(jié)合的方法去除椒鹽噪聲。與傳統(tǒng)的中值濾波去除椒鹽噪聲相比，實(shí)驗(yàn)證明了本文方法的有效性。最后采用Hough變換實(shí)現(xiàn)文檔圖像傾斜校正。⑵文檔圖像公式和文本提取時(shí)，其版面結(jié)構(gòu)（橫縱排、欄數(shù)）和內(nèi)容（標(biāo)題、頁(yè)碼）會(huì)嚴(yán)重影響提取結(jié)果。針對(duì)這一問(wèn)題，本文在公式和文本提取前，首先采用連通域提取法和最近鄰合并法相結(jié)合的算法實(shí)現(xiàn)橫縱排判斷，然后采用投影法和形態(tài)學(xué)算法相結(jié)合的方

3、法實(shí)現(xiàn)標(biāo)題和頁(yè)碼的提取，最后采用投影法和連通域提取法相結(jié)合的方法實(shí)現(xiàn)文檔欄數(shù)判斷。以上部分是公式和文本的預(yù)處理，這是實(shí)現(xiàn)公式和文本提取的保障。⑶采用投影法、游程平滑算法、連通域輪廓提取算法和改進(jìn)的規(guī)則定義法相結(jié)合的方法，實(shí)現(xiàn)復(fù)雜中文版面獨(dú)立行公式提取。與傳統(tǒng)的機(jī)器學(xué)習(xí)方法實(shí)現(xiàn)公式提取相比較，本文采用的方法，對(duì)于低分辨率文檔圖像，實(shí)現(xiàn)了獨(dú)立行公式的提取，其提取準(zhǔn)確率達(dá)到80％以上。⑷采用連通域分析和游程平滑算法相結(jié)合的方法，實(shí)現(xiàn)了文檔圖像