论文部分内容阅读
版面分析是版面信息处理系统的重要组成部分,旨在将纸制文档内容转化为电子信息,以便进一步通过版面理解实现版面数字化。版面分析的正确性,直接影响到版面理解的结果,进而决定着版面信息处理系统输出结果的语义关系和逻辑关系是否正确。在各种版面文档中,中文版面以其排版形式的多样化,以及汉字的多笔划等特点,使版面分析远较西文版面为复杂,以致成为当前版面分析技术的瓶颈。因此,对中文版面分析的研究具有重要的理论意义与实用价值。版面分析的主要内容在于分析版面的几何结构。由于版面的复杂性,版面分析所涉及的内容非常广泛。不同类型的版面反映的信息不同,版面分析过程所需的处理方法也不同。本文对中文版面分析过程中所涉及的若干关键技术进行了深入的研究,主要包括版面倾斜检测、版面区域分割与识别、版面对象顺序确定,以及表格识别等技术,其中具有创新性的研究成果主要体现在以下几个方面:1、基于视窗变换的版面倾斜检测算法版面在扫描输入时,不可避免地会发生倾斜现象,以致对后续处理产生影响。为对版面进行倾斜检测与校正,该算法首先选取适当视窗,通过对视窗内容细节部分进行变分辨率处理,提取相关特征点进行直线拟合,达到检测版面倾斜角度的目的。实验结果表明,该方法能快速准确地检测出各类版面的倾斜角度,并具有良好的适应性。2、基于版面边缘增强的版面倾斜检测算法考虑到版面复杂度对视窗选取效率的影响,本文又提出了一种基于版面边缘增强的版面倾斜检测算法。该算法首先对倾斜的图像利用算子进行处理,得到一个图像块,.该图像块的边界信息能较好的表示原版面的边界信息,然后,用4-方向链码表示该图像块的边界,从图像块中提取近似直线信息。最后,用最小二乘算法进行直线拟合,计算版面的倾斜角度。实验结果表明该算法准确度高、速度快而且与图像的内容无关。3、基于层次提取的版面分割与识别版面分割与区域识别是将版面进行空间划分,生成若干包含不同数据类型的区域。该算法首先将版面划分为图像、图表和文本等多个层次,先对版面中的图像层和图表层中的主要线段分别进行提取,再利用连通区域法对文本层进行分析,通过文本“模糊”、边缘检测、段落提取、投影周期性的判断,对图形、表格与文本各部分加以区分。可以看出,该算法将版面分割与区域识别相结合,提高了算法的效率。4、基于有向图的版面对象顺序确定该算法利用版面对象的空间结构建立空间结构有向图,将版面对象之间的顺序确定,转换为在有向图空间进行遍历搜索的过程,通过图的遍历生成遍历树来确定版面对象顺序。实验结果表明该算法有效。5、基于面向对象的有向图模型表格识别方法该算法首先提取空表格中各对象的特征及属性,建立相应表格模型,再对待识别表格提取特征,采用两级匹配,充分利用其与模型之间特征线及相关特征线的匹配相似度,结合逻辑关系确定表格类型,达到表格识别的目的,从而提高了表格识别的正确率。实验结果表明,该方法具有高效、灵活的特点。最后,本文建立一个票据版面分析实验系统,并在此实验系统基础上,对文中所提出的版面倾斜检测、版面分割与识别、版面对象顺序的确立及表格识别等算法进行了相关实验。实验结果表明,本文所提方法,在票据版面分析中,实际应用效果良好,所提方法具有通用性。