论文部分内容阅读
在日常的商业活动中,我们每天都运用了大量的文档和表格。同时表格文档也广泛地应用于各个领域,通常人们需要手动处理表格文档,例如客户需要缴纳赋税,图书管理员需要采集纸质表格文档中所包含的数据信息。由于光学字符识别(OCR)技术的发展,人们开始尝试利用可获得数据的标准表格图像来提取表格中的数据信息,这可以减少工作时间并减轻其的工作负担。在商业领域中,利用OCR技术可以提高工作质量,并且可以减少人们花费在处理表格文档上的大量时间。在OCR运用的许多领域中,我们通过获取的表格模板使用户知道图像中印刷体的目标字符串。这些字符串信息包括了许多项目内容如文本信息和数学公式等。然而,表格的存在阻碍了数据信息的提取。因此,表格线检测/去除是印刷体表格识别技术中的一项重要任务。由上可知,我们需要一个实际的表格识别系统来处理这些问题。本文在印刷体文档识别技术的基础上,对表格文档的识别技术进行了深入的研究,并完成了部分表格识别系统的开发工作。传统的表格识别系统可以分为二部分:表格框架识别和图像信息提取与表格重绘。在表格框架识别部分中,首先表格线的检测、去除以及图像识别处理技术都是基于二值图像完成的。因此,本文运用了一种有效的二值化算法将256色灰度图像转化为理想的二值图像,并采用改进的Hough变换法来完成一定范围内的图像倾斜校正;其次,利用文档图像的版面分析提取图像中的表格区域,并将非表格区域删除以便于提取图像中表格区域的数据信息。最后,本文采用了传统的投影法与基于直线的搜索相结合的算法完成表格线的检测与提取。在完成图像中的表格线的提取之后,针对表格线存在的断裂和非对齐等问题分别做出相应的处理,并且将图像中的横向与纵向表格线重组成表格框架。在图像信息提取部分中,由于表格的种类繁多及其复杂性,表格单元提取成为表格自动识别系统中一个重要的影响因素。本文采用了交点特征和交点轨迹法提取表格单元,并形成闭环区域。然后利用数学形态学的方法除去表格线,使我们可以获取表格图像中的数据信息,利用OCR技术完成数据的识别,并将其写入已经提取的表格框架中,完成表格图像的重绘。综上所述,本文实现了一个印刷体表格图像识别实验系统,本实验系统包含了图像二值化,倾斜校正,版面分析,表格识别等算法。通过实验结果可知,本文所述的方法可以在表格图像分析中达到很好的识别效果。