格式化文檔圖像模式提取及配準.pdf

1、有格式的文檔資料在所有紙質(zhì)資料中占有重要地位，其自動識別對于辦公數(shù)字化有重要意義，它的類型識別是其自動識別的關(guān)鍵步驟。本文重點研究格式文檔模式的提取以及文檔模式的匹配，具體如下:
　　 格式文檔的模式提取工作分三個方面:區(qū)域分割、區(qū)域?qū)傩蕴崛〖澳Ｊ降谋硎?。首先單一的分割方法無法完成所有類型文檔的分割，本文提出由類型到方法的分割策略。利用表格線將文檔分為表格類型及非表格類型，對表格類型在表格線基礎(chǔ)上提取表格頂點及表格單元;對非表格

2、類型文檔采用自頂向下逐層投影的方法完成分割。然后，本文采用基于特征分析的分層識別方法，實現(xiàn)圖像、標題和正文區(qū)域的快速識別。最后針對格式文檔的結(jié)構(gòu)特點，設(shè)計包含模式摘要及模式詳情的兩級模式結(jié)構(gòu)，并采用XML語言實現(xiàn)文檔模式的結(jié)構(gòu)化表示。
　　 現(xiàn)有模式匹配算法均以參數(shù)的嚴格匹配為匹配準則，無法滿足同類型的格式文檔中可能存在的個體差異性要求。針對文檔模式的數(shù)字化及差異性特點，本文提出了基于數(shù)字的量化節(jié)點相似度計算方法以及基于變權(quán)重的

3、路徑相似度計算方法。模式匹配中大量運算時間耗費于非匹配模式的運算上，為提高匹配效率本文提出了初步提取到精確匹配的兩層文檔模式的匹配方法，第一層匹配利用文檔模式的摘要信息計算相似度，確定候選模式集;在候選模式集的基礎(chǔ)上對文檔模式詳情進行精確的匹配完成第二層匹配，確定最佳匹配模式。
　　 實驗表明本文的模式提取及模式配準方法能夠有效提取表格、證件及名片等類型格式文檔的模式，算法能夠較好地適應(yīng)光照變化及文檔傾斜等情況，且模式匹配算法具