随着信息时代的来临,人们处理信息更加智能化和高效化。传统的文档信息主要记录在纸质文档上,OCR技术实现了纸质文档信息的数字化,版面分析是OCR实现的前提。由于中文版面研究历史较短,在字符形态和排版方式上与英文版面不同,因此中文版面分析的研究有其自身重要的价值。中文版面包括图、表格、公式和文本四个组成元素,其中公式和文本是主要的部分。由于公式和文本的结构与成分相似,因此版面分析中公式和文本的提取具有一定的困难。本文对复杂中文版面文档图像的公式和文本提取进行深入研究,具体工作内容如下:(1)文档图像预处理。首先采用投影轮廓分析法实现边界噪声的去除。然后采用连通区域标记和中值滤波相结合的方法去除椒盐噪声。与传统的中值滤波去除椒盐噪声相比,实验证明了本文方法的有效性。最后采用Hough变换实现文档图像倾斜校正。(2)公式和文本的预处理。文档图像公式和文本提取时,其版面结构(横纵排、栏数)和内容(标题、页码)会严重影响提取结果。针对这一问题,本文在公式和文本提取前,首先采用连通域提取法和最近邻合并法相结合的算法实现横纵排判断,然后采用投影法和形态学算法相结合的方法实现标题和页码的提取,最后采用投影法和连通域提取法相结合的方法实现文档栏数判断。以上部分是公式和文本的预处理,这是实现公式和文本提取的保障。(3)文档图像公式提取。本文采用投影法、游程平滑算法、连通域轮廓提取算法和改进的规则定义法相结合的方法,实现复杂中文版面独立行公式提取。与传统的机器学习方法实现公式提取相比较,本文采用的方法,对于低分辨率文档图像,实现了独立行公式的提取,其提取准确率达到80%以上。(4)文档图像文本行提取及合并。本文采用连通域分析和游程平滑算法相结合的方法,实现了文档图像文本行提取,其提取准确率达到81%以上。然后将Sobel算子和形态学算法相结合,实现了文本行的合并。