印刷體文字識(shí)別系統(tǒng)的研究與實(shí)現(xiàn).pdf

1、隨著人類(lèi)進(jìn)入信息化社會(huì)，各種文檔資料呈幾何級(jí)的增長(zhǎng)，如何對(duì)這些海量資料進(jìn)行高效、快速的保存和處理，成為計(jì)算機(jī)科學(xué)研究的熱點(diǎn)問(wèn)題。光學(xué)字符識(shí)別系統(tǒng)（OCR）就是將已有的海量信息高效地使用計(jì)算機(jī)識(shí)別并處理的一種技術(shù)，已經(jīng)被廣泛用于辦公自動(dòng)化、人工智能、信息壓縮等領(lǐng)域。本文詳細(xì)闡述了光學(xué)字符識(shí)別技術(shù)的算法流程，并對(duì)算法中的要點(diǎn)、難點(diǎn)問(wèn)題如二值化、版面分析、分類(lèi)器集成等做了大量實(shí)驗(yàn)和改進(jìn)。本文的主要工作如下：
　?。?）針對(duì)具有復(fù)雜版面的

2、文檔，以往的算法都是使用投影法來(lái)切分，但是投影法對(duì)于圖文混排、兼有表格的復(fù)雜版面不能正確切分。本文采用基于連通域的方法，通過(guò)對(duì)不同連通域的特征分析，區(qū)分出識(shí)別有效區(qū)域和無(wú)效區(qū)域。實(shí)驗(yàn)結(jié)果表明，該方法克服了投影法的缺點(diǎn)，并取得了較好的切分效果。
　?。?）漢英混排在字符切分中是一個(gè)較難的問(wèn)題，我們根據(jù)字符間隔的等間距特征，區(qū)分出了文檔中的英文區(qū)域和中文區(qū)域。然后，通過(guò)識(shí)別反饋算法，實(shí)現(xiàn)了漢字和英文的分離，并根據(jù)漢字部件合并的規(guī)則，實(shí)