復雜表格文檔預處理與文本提取算法研究.pdf

1、文檔分析與理解在內容分析與識別、以及基于內容的檢索等領域具有重要意義，一直以來受到極大關注。從圖像文檔中自動獲取信息可以大幅度提高信息處理效率，并具有重要的應用價值。包含表格的復雜文檔存在于生活的方方面面，針對這些文檔的文本信息自動提取和識別具有很大的應用前景。
　　本文以病歷表圖像和快遞單圖像為研究對象，對包含表格的復雜文檔圖像預處理、表格檢測、文本提取等內容進行了較為深入的研究。論文的主要工作如下：
　　(1)表格區(qū)域定

2、位及矯正。給出了基于直線交點交角的區(qū)域定位算法，把圖像中表格區(qū)域從原圖像中定位分離出來，很大程度提高了后續(xù)處理的準確性和效率。之后采用透視變換算法實現(xiàn)圖像矯正處理，克服了圖像畸變對圖像處理的影響。實驗結果表明，該方法能較好地從復雜圖像中定位并矯正表格區(qū)域。
　　(2)表格檢測。首先改進基于邊緣圖像的局部自適應二值化算法，使之對本文研究處理的表格圖像具有良好的二值化效果。然后改進鄰接圖算法(Block Adjacency Graph

3、，BAG)，增強了該算法表格線檢測的有效性。檢測表格線之后，通過分析直線結構、表格特點，最大限度地修補缺失的表格線。實驗證明該算法能夠有效實現(xiàn)表格區(qū)域圖的表格檢測。
　　(3)文本提取。完成表格檢測后，改進鄰接向量連接算法，補全字符的斷裂筆畫，從而保證了文本信息的完整性。接著根據(jù)表格線進行文本段落定位處理，最后通過分析聯(lián)通部件的特征實現(xiàn)文本行的分割。實驗表明該方法能夠較好完成表格文檔的文本分割、提取工作。
　　為測試算法的有