论文部分内容阅读
随着国际间技术交流的发展,多语言文档越来越普遍,尤其是在高技术领域,通常都有大量的外文术语。在我国,最为常见的是中英文混排文档。多语言文档的出现也对OCR技术提出了新的要求,与单一文档识别不同的是,混排文档中由于不同语言特点的差别,要求对文档中出现的不同语言加以区分,采用不同的识别方法进行识别。本文在研究当前光学字符识别(OCR)系统及相关识别技术的基础上,设计开发了一套印刷体文字识别系统。主要工作如下:其一,针对现有字符切分方法在复杂版式环境下不能正确处理图标和花边,在中英文混排环境以及不同字号文字混排情况下不能准确的进行切分等问题,提出了一种基于汉字周期及识别反馈的混排文字切分方法。该方法中采用了基于连通区域合并的行切分算法更为准确的完成了文本图像的行切分,采用了基于字符间距周期的中文字符分离算法,实现了对连通区域类型的判定,最后采用了基于识别的汉字部件合并算法,完成了对左右结构汉字的连通区域合并。实验表明,此方法的字符切分准确率优于传统的基于投影的行字切分算法。其二,设计并实现了一个通用的汉字识别软件框架,其设计充分考虑了用户使用的需求以及软件更新和维护的要求,提供了一个可移植的、可伸缩的灵活的文字识别软件平台。基于此平台,用户可以根据输入图像的特点进行动态的算法定制,改变其执行轨迹,提高识别效率;用户也可以对同一图像采用不同的算法来进行识别,从而实现对算法性能的比较。而对于软件维护人员来讲,算法的更新和维护工作在此平台下也变的更为简单和方便,只需进行配置文件的修改和算法包的拷贝和替换工作其三,本文对文字识别过程中一系列关键步骤进行了深入的研究,对其各种实现算法进行较为深入的分析和比较,给出了各自的优缺点和适用场景。总之,利用以上算法得到的印刷体汉字识别系统的平均识别率达到96%以上。每百字的平均识别时间为6秒。对中英文混排文本图像中英文及其他符号的平均识别率达到85%以上。