蒙古文文檔圖像版面分析及識(shí)別后處理的研究與實(shí)現(xiàn).pdf

1、光學(xué)字符識(shí)別（Optical Character Recognition，簡(jiǎn)稱OCR）技術(shù)的研究在近年來(lái)得到了飛速發(fā)展，中文、英文等文字識(shí)別技術(shù)的研究已經(jīng)取得了顯著的成果。文字識(shí)別率是OCR系統(tǒng)中最重要的一個(gè)性能指標(biāo)，對(duì)于印刷體蒙古文字識(shí)別系統(tǒng)來(lái)說(shuō)，要想完善整個(gè)系統(tǒng)，提高蒙古文字的識(shí)別率，就要對(duì)蒙古文文檔圖像在識(shí)別前期的版面分析技術(shù)和后期的識(shí)別后處理技術(shù)進(jìn)行研究和實(shí)現(xiàn)。因此，本文的主要研究?jī)?nèi)容包括兩個(gè)部分，一個(gè)是蒙古文文檔圖像的版面分析

2、，另一個(gè)是蒙古文字識(shí)別后處理。
　　在印刷體蒙古文字識(shí)別過(guò)程中，版面分析是一個(gè)很重要的基礎(chǔ)工作，而目前對(duì)蒙古文文檔圖像的版面分析研究較少，蒙古文文檔圖像的版面形式多種多樣，且存在文字、圖片、表格等多種版面元素混排的情況，這些都給印刷體蒙古文字識(shí)別工作帶來(lái)諸多困難。本文采用自底向上和自頂向下相結(jié)合的版面分析法，通過(guò)標(biāo)記連通域、合并連通域、去除連通域等相關(guān)流程，將非文字部分去除，只保留文字部分。之后再經(jīng)過(guò)段落劃分，獲得各段落的位置信息

3、，這些位置信息可供后續(xù)版面恢復(fù)使用。
　　在蒙古文字識(shí)別系統(tǒng)中，文檔圖像經(jīng)過(guò)切分和識(shí)別得到的識(shí)別結(jié)果是蒙古文字形編碼，目前常用的為國(guó)際標(biāo)準(zhǔn)編碼，因此要對(duì)識(shí)別結(jié)果進(jìn)行編碼轉(zhuǎn)換，本文所關(guān)注的后處理是將字形識(shí)別結(jié)果轉(zhuǎn)換為國(guó)際標(biāo)準(zhǔn)編碼的過(guò)程。文中所采用的是基于對(duì)照詞典的編碼轉(zhuǎn)換方式，首先需要將已有的國(guó)際標(biāo)準(zhǔn)碼詞典（涵蓋了目前常用的50553個(gè)蒙古文單詞）依次轉(zhuǎn)換為WORD文檔、PDF文件，最后轉(zhuǎn)換為圖片并進(jìn)行版面分析和列切分、字切分以及字

4、元切分，將經(jīng)過(guò)切分得到的蒙古文字元圖像作為訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)分類器的輸入，輸出即為蒙古文字形編碼，利用已有的國(guó)際標(biāo)準(zhǔn)碼詞典與獲取到的字形編碼按照一一對(duì)應(yīng)的關(guān)系整理成編碼轉(zhuǎn)換詞典。進(jìn)行后處理時(shí)在整理好的詞典中查找與識(shí)別結(jié)果相同的字形編碼的位置，即可在詞典中找到該字形編碼相對(duì)應(yīng)的國(guó)際標(biāo)準(zhǔn)碼，完成編碼轉(zhuǎn)換過(guò)程。
　　本文研究的蒙古文文檔圖像版面分析技術(shù)，能夠?qū)Χ喾N復(fù)雜版面格式的蒙古文文檔圖像進(jìn)行處理，包括去除非文字部分、將文字區(qū)域劃分