计算机和互联网的诞生引发了信息技术革命,使得大量电子文档涌现出来,实现了信息交换的高速化、信息的海量存储和信息检索,同时也使得信息的长期保存得以实现。相对于传统的纸张文档而言,电子文档具有占用存储空间小、检索方便、传输快捷、更新简便等优点,而且电子文档还可以进行必要的保密编码,提高其可靠性。在海量图像库中检索用户所需要的图像,成为当前的研究热点。文档图像有别于一般的自然图像,它以文字为主,其中夹杂图像、表格的一类特殊的图像。一般是以工作文件的形式存在的,应用十分广泛。因此文档图像检索得到了广泛关注。纸质文档经过扫描生成文档图像之后,需要经过字符识别工具识别其中有用的信息。光学字符识别OCR(Optical Character Recognition)技术的出现及成熟使得电子文档的使用和处理得到广泛的应用,提高了文档处理的效率。作为印刷体文字识别系统重要组成部分的文档版面分析,具有与字符识别同样重要的地位。OCR技术是模式识别中开展比较早的一个领域。经过几十年的发展,已经比较成熟。版面分析是OCR系统进入自动化阶段的首要步骤,版面分析结果的有效性直接影响到文字识别模块的运行,进而影响整个系统的效率,因此设计高效的版面分析系统,对提高整个OCR系统的质量,起着十分重要的作用。详细的来说,版面分析是指对版面内的图形、图像信息和结构关系所进行的自动分析、识别和理解的过程。图像检索的过程包括提取图像的特征,对提取的特征进行特征匹配,利用距离度量方法比较图像的相似度,根据相似度对检索出的结果进行降序排列,将符合条件的结果输出给用户。其中特征提取和特征匹配是检索技术的关键。文档图像具有诸如标题,段落,行等版面特征。在不使用昂贵的OCR技术方法进行文字识别,直接作用在图像数据的情况下,我们借鉴图像的版面特征的分析方法,将此方法用于传统的基于内容的图像检索技术上来,提出了从文档图像的文本区域的版面中提取出行特征,将提取出的版面行特征作为索引项,进行图像的特征匹配和相似性度量工作,从而形成了一个新的检索特征的检索算法,将算法实际应用于图像匹配和识别上,并有一定的识别效果。本文操作的对象是文本区域,因此在提取特征之前,利用版面分析方法分析文档中是否含有图像、表格等非文本区域,通过非文本区域滤波方式将这些区域进行过滤,保留文本区域。正因为如此限制了此方法的适用范围。对于复杂版面的文档图像没有涉及,如含有横排、竖排,以及横排和竖排混合的版面,应用范围相对比较窄。匹配技术是文档图像检索技术中的核心技术,它主要是从文档数据库中给出输入图像的最佳匹配。匹配技术建立在特征定义及其提取基础之上。衡量两个版面相似性度量的距离度量方法有很多。本文的特征匹配使用点模式匹配,建立在行特征基础之上,将行线抽象为空间中的点,点的灰度值定义为行线的长度。使用中心点加权平均方式找出图像的中心点,然后计算其相对坐标。使用差异能量来进行图像的相似性匹配。所用的点模式匹配时间复杂度相对比较高,还需要进一步改进。