中文印刷體文檔內(nèi)容識(shí)別系統(tǒng)研究.pdf

1、隨著信息的傳播和交換的迅猛增長(zhǎng)，將以紙張為介質(zhì)的文檔信息自動(dòng)轉(zhuǎn)換成數(shù)字形式成為一項(xiàng)十分有意義的工作。為此，開發(fā)一種高效的文檔信息處理系統(tǒng)成為一項(xiàng)迫切的任務(wù)。 本文提出的文檔信息處理系統(tǒng)包括了復(fù)雜文檔的版面分析、版面理解、漢字識(shí)別、公式識(shí)別、表格處理、版面重構(gòu)幾個(gè)功能模塊。主要對(duì)版面分析、漢字識(shí)別和公式識(shí)別三個(gè)方面進(jìn)行了研究。 在版面分析中，采用基于最近鄰連接強(qiáng)度和行列可信度的自底向上的版面分析算法，分割出圖像區(qū)域、表格區(qū)

2、域和文本區(qū)域；在漢字識(shí)別模塊中，采用回溯切分方法切分出字符段，計(jì)算合并差異度與特征字典比較，通過引入漢字的拒識(shí)類，從而實(shí)現(xiàn)了公式的定位；將定位后的數(shù)學(xué)公式送入公式識(shí)別器，在公式識(shí)別器中采用基于連通域搜索的字符分割方法和模板匹配方法對(duì)字符識(shí)別，對(duì)于識(shí)別出的字符，再采用基于特征字符的結(jié)構(gòu)分析方法，從而將二維的數(shù)學(xué)公式轉(zhuǎn)化為一維的Word EQ域語句。經(jīng)過上述的幾個(gè)步驟之后，系統(tǒng)輸出為純文本。漢字和Word EQ語句的順序就是原文本中的漢字和