基于版面分析的文檔圖像檢索算法研究.pdf

1、計算機(jī)和互聯(lián)網(wǎng)的誕生引發(fā)了信息技術(shù)革命，使得大量電子文檔涌現(xiàn)出來，實現(xiàn)了信息交換的高速化、信息的海量存儲和信息檢索，同時也使得信息的長期保存得以實現(xiàn)。相對于傳統(tǒng)的紙張文檔而言，電子文檔具有占用存儲空間小、檢索方便、傳輸快捷、更新簡便等優(yōu)點，而且電子文檔還可以進(jìn)行必要的保密編碼，提高其可靠性。在海量圖像庫中檢索用戶所需要的圖像，成為當(dāng)前的研究熱點。
　　文檔圖像有別于一般的自然圖像，它以文字為主，其中夾雜圖像、表格的一類特殊的圖像。

2、一般是以工作文件的形式存在的，應(yīng)用十分廣泛。因此文檔圖像檢索得到了廣泛關(guān)注。紙質(zhì)文檔經(jīng)過掃描生成文檔圖像之后，需要經(jīng)過字符識別工具識別其中有用的信息。光學(xué)字符識別 OCR(Optical Character Recognition)技術(shù)的出現(xiàn)及成熟使得電子文檔的使用和處理得到廣泛的應(yīng)用，提高了文檔處理的效率。作為印刷體文字識別系統(tǒng)重要組成部分的文檔版面分析，具有與字符識別同樣重要的地位。OCR技術(shù)是模式識別中開展比較早的一個領(lǐng)域。經(jīng)過幾

3、十年的發(fā)展，已經(jīng)比較成熟。版面分析是OCR系統(tǒng)進(jìn)入自動化階段的首要步驟，版面分析結(jié)果的有效性直接影響到文字識別模塊的運行，進(jìn)而影響整個系統(tǒng)的效率，因此設(shè)計高效的版面分析系統(tǒng)，對提高整個 OCR系統(tǒng)的質(zhì)量，起著十分重要的作用。詳細(xì)的來說，版面分析是指對版面內(nèi)的圖形、圖像信息和結(jié)構(gòu)關(guān)系所進(jìn)行的自動分析、識別和理解的過程。
　　圖像檢索的過程包括提取圖像的特征，對提取的特征進(jìn)行特征匹配，利用距離度量方法比較圖像的相似度，根據(jù)相似度對檢索

4、出的結(jié)果進(jìn)行降序排列，將符合條件的結(jié)果輸出給用戶。其中特征提取和特征匹配是檢索技術(shù)的關(guān)鍵。文檔圖像具有諸如標(biāo)題，段落，行等版面特征。在不使用昂貴的OCR技術(shù)方法進(jìn)行文字識別，直接作用在圖像數(shù)據(jù)的情況下，我們借鑒圖像的版面特征的分析方法，將此方法用于傳統(tǒng)的基于內(nèi)容的圖像檢索技術(shù)上來，提出了從文檔圖像的文本區(qū)域的版面中提取出行特征，將提取出的版面行特征作為索引項，進(jìn)行圖像的特征匹配和相似性度量工作，從而形成了一個新的檢索特征的檢索算法，將算

5、法實際應(yīng)用于圖像匹配和識別上，并有一定的識別效果。
　　本文操作的對象是文本區(qū)域，因此在提取特征之前，利用版面分析方法分析文檔中是否含有圖像、表格等非文本區(qū)域，通過非文本區(qū)域濾波方式將這些區(qū)域進(jìn)行過濾，保留文本區(qū)域。正因為如此限制了此方法的適用范圍。對于復(fù)雜版面的文檔圖像沒有涉及，如含有橫排、豎排，以及橫排和豎排混合的版面，應(yīng)用范圍相對比較窄。
　　匹配技術(shù)是文檔圖像檢索技術(shù)中的核心技術(shù)，它主要是從文檔數(shù)據(jù)庫中給出輸入圖像的