印刷體中文文檔識別系統(tǒng)的研究.pdf

1、隨著信息化時(shí)代的到來，相互交流的信息內(nèi)容越來越豐富，一個(gè)中文信息文檔中不僅會含有中文，英文還有各種各樣的公式以及表格和圖形圖像等內(nèi)容。因此，快速而準(zhǔn)確的將信息中各種內(nèi)容輸入到計(jì)算機(jī)是信息處理的一個(gè)關(guān)鍵問題。中文文檔識別系統(tǒng)就是為了實(shí)現(xiàn)信息的識別輸入以及轉(zhuǎn)換信息文檔格式而設(shè)計(jì)出的產(chǎn)物。而目前的識別系統(tǒng)并不能實(shí)現(xiàn)公式的識別輸入，設(shè)計(jì)一種含有公式識別功能的中文文檔識別系統(tǒng)，對信息文檔的處理有著重要的實(shí)用價(jià)值和理論意義。 本課題在研究現(xiàn)

2、有字符識別的理論基礎(chǔ)上，研究并設(shè)計(jì)了一套可以完成公式字符識別的印刷體中文文檔識別系統(tǒng)。該系統(tǒng)主要包含版面分析，漢字和公式識別功能。主要的工作如下： 首先，在得到原始文檔圖像的預(yù)處理結(jié)果后，利用基于多級別可信度大小和投影特征的版面分析算法，將整個(gè)文檔圖像進(jìn)行版面分析。最終提取出文檔圖像中的文本部分進(jìn)行多字符識別，即漢字識別與公式識別。 再次，采用兩次定位公式的方法將漢字識別作為公式字符最終定位的依據(jù)，并利用連通域分割法將定

3、位出的公式進(jìn)行進(jìn)一步的分割，提取出構(gòu)成公式的單個(gè)字符。利用孔洞數(shù)、網(wǎng)格特征以及穿線特征，采用567個(gè)字符樣本建立字符特征庫，并利用多級分類的思想對單個(gè)公式字符進(jìn)行識別及屬性判別。根據(jù)單個(gè)字符的識別結(jié)果，改進(jìn)了基于特征字符的結(jié)構(gòu)分析算法，擴(kuò)充并重新設(shè)計(jì)了7種結(jié)構(gòu)分析子算法，并利用10種Word EQ域，對分析結(jié)果輸出其唯一的一維語法規(guī)則串。 最后，將各種算法集成起來并設(shè)計(jì)出一個(gè)完整的中文文檔識別軟件MYOCR，并通過具體實(shí)例驗(yàn)證了