基于特征的文檔圖像檢索.pdf

1、文檔圖像檢索是圖像檢索的重要方面，在數(shù)字圖書館、辦公自動化等方面具有廣泛應(yīng)用。文檔圖像檢索的最終目標(biāo)是從文檔圖像數(shù)據(jù)庫中獲得與輸入圖像或特征具有高相似度的一組圖像序列。常見的文檔圖像檢索算法可以歸為基于文檔字符內(nèi)容的檢索和基于圖像特征的檢索兩大類。在基于特征的文檔圖像檢索中，文檔圖像匹配技術(shù)是核心技術(shù)，它主要是從文檔數(shù)據(jù)庫中給出輸入圖像的最佳匹配。匹配技術(shù)是建立在特征定義及其提取基礎(chǔ)之上的。 本文在分析現(xiàn)有基于特征的文檔圖像檢索

2、方法優(yōu)缺點(diǎn)的基礎(chǔ)上，沿用基于圖像特征的文檔圖像檢索的基本思路，并借鑒基于內(nèi)容的圖像檢索中基于圖像子塊的方法給出一種新的文檔圖像檢索方法。首先對圖像進(jìn)行預(yù)處理，包括去噪處理和傾斜檢測。去噪采用濾波模版簡單有效，去噪后提取SIFT特征。作為傾斜檢測第一步的二值化使用結(jié)合全局和局部的文檔圖像二值化方法，然后提取文檔圖像的邊界線進(jìn)行傾斜檢測，并且引入的LMS自適應(yīng)算法能使其具有更好的智能性。同時，在傾斜檢測中提取的邊界線特征可以作為文檔的特征用

3、于后續(xù)檢索。之后再對整個文檔圖像定位有效區(qū)域，定義和提取有效區(qū)域的長度、寬度、密度特征；然后利用基于ISI學(xué)習(xí)算法的方法，通過對分割樣例的學(xué)習(xí)，將有效區(qū)域分割成文字區(qū)域和非文字區(qū)域。對文字區(qū)域提取連通體對之間的距離（字間空白）、連通體高度、寬度等局部特征以及連通體的個數(shù)、空穴個數(shù)、平均空白、平均連通體高度、平均連通體寬度、段落特征等全局特征；對非文字區(qū)域提取關(guān)鍵塊特征。這些特征中SHIF特征具有對伸縮、平移、扭曲的不變性，是一種對文檔圖

4、像畸變具有高魯棒性的特征。文字區(qū)域特征是較低層次的特征，能較好的區(qū)分文檔圖像。密度特征和關(guān)鍵塊特征已經(jīng)被證明具有良好的區(qū)分度。所以提取的特征既包含了全局特征也包含了局部特征，既包括高層次特征也包含低層次特征。因此，它們的組合能充分表征文檔圖像。將這些特征按照性質(zhì)和特征向量維數(shù)分成三個組。然后本文引入已經(jīng)證明對維數(shù)較高的數(shù)據(jù)仍然具有很好檢索效果的A—Tree來組織這些數(shù)據(jù)，對三個組分別建立高維索引A—Tree。分別查詢這三個A—Tree得

5、到三個圖像集合，取并集得到候選圖像集合，然后根據(jù)候選圖像的集合權(quán)值更新，給出最終結(jié)果。 本文的方法對手寫體文檔圖像、印刷體文檔圖像和兩者混合的文檔圖像均適用。 最后，在包含主要為文字的3900張文檔圖像的數(shù)據(jù)庫Ⅰ和包含文字、圖片、表格混合的2124張圖像的數(shù)據(jù)庫Ⅱ上分別進(jìn)行實(shí)驗(yàn)測試了各特征的適用性。然后在總數(shù)據(jù)庫上對基于綜合特征的檢索進(jìn)行了測試，并與已有算法做了對比。實(shí)驗(yàn)表明：本文的方法具有普適性和較高的效率，具有較強(qiáng)的