印刷體蒙古文文檔中多文種識別技術(shù)的研究與實現(xiàn).pdf

1、目前，能識別單一文種的文字識別系統(tǒng)(OCR)有很多。但是，在全球一體化的趨勢下，文檔中出現(xiàn)了多種不同的文字。在現(xiàn)存的一些蒙古文文檔中不只包括蒙古文，還會混有一定數(shù)量的漢文與英文。因此，設(shè)計一個多文種識別系統(tǒng)是十分必要的。本文提出的多文種識別技術(shù)分為文檔圖像預(yù)處理和文種識別兩個過程。
　　文檔圖像預(yù)處理的過程為:首先，將文本區(qū)域和圖像區(qū)域分離，提取出文本區(qū)域;然后，對文本區(qū)域進(jìn)行段落劃分;隨后，運用垂直投影和高斯平滑進(jìn)行列切分，獲得

2、文字列;最后，運用連通域分析方法實現(xiàn)字切分。在預(yù)處理階段，本文對每個文字圖像在原文檔圖像的坐標(biāo)位置進(jìn)行了記錄，以便版面恢復(fù)。
　　本文提出的蒙漢英多文種識別技術(shù)包括粗分類與細(xì)分類兩個階段。在粗分類階段，依據(jù)文字圖像的寬度、高度等信息進(jìn)行分類，將所有文字圖像粗略的分為蒙古文類、漢文類和英文類，漢文類中除了漢文，還混有一定量的英文和蒙古文，英文類中除了英文，還混有一定量的漢文和蒙古文，因此，還需進(jìn)一步分類。在細(xì)分類階段，根據(jù)粗分類的結(jié)