文檔圖像特征提取和檢索.pdf

1、隨著計(jì)算機(jī)和互聯(lián)網(wǎng)技術(shù)的發(fā)展，越來越多的文檔圖片需要被收集、存儲(chǔ)和檢索。檢索作為管理大量文檔圖片的基本需求，它的重要性不言而喻。本文圍繞文檔圖像的檢索展開，涉及到圖片檢索的相關(guān)知識(shí)、文檔圖片處理的內(nèi)容，最后講解了已經(jīng)實(shí)現(xiàn)的文檔圖像檢索系統(tǒng)。
　　本文實(shí)現(xiàn)了兩套文檔圖像特征提取和檢測(cè)的系統(tǒng)，第一套是基于頁面布局編碼的檢索系統(tǒng)，第二套是基于局部特征點(diǎn)幾何關(guān)系哈希的檢索系統(tǒng)。
　　在第一套系統(tǒng)中，求出每一個(gè)文字行的位置然后按照文字

2、行位置之間的關(guān)系進(jìn)行編碼。編碼規(guī)則是每一行的行高，x坐標(biāo)相對(duì)于上一行的x坐標(biāo)移量和y坐標(biāo)相對(duì)于上一行的y坐標(biāo)的偏移量分別比上上一行的行高，形成三個(gè)比值。然后將這三個(gè)比值離散化為0到25共26個(gè)不同的整數(shù)，每個(gè)整數(shù)對(duì)應(yīng)一個(gè)字母。這樣每一行相對(duì)于上一行就可以生成一個(gè)單詞。按照同樣的方法對(duì)每一個(gè)字符的位置進(jìn)行編碼，然后生成若干單詞。不管是行位置單詞編碼還是文字位置單詞編碼都需要進(jìn)行壓縮，減少信息冗余。對(duì)行位置編碼和文字字符位置編碼建立全文索引

3、，對(duì)于檢索圖片提取同樣的編碼進(jìn)行檢索，獲取候選集，再進(jìn)行精細(xì)匹配。
　　第二套系統(tǒng)在Tomohiro Nakai等人提出的LLAH（Locally LikelyArrangement Hashing）算法[1]的基礎(chǔ)上做了一定的改進(jìn)，在系統(tǒng)中實(shí)現(xiàn)了一個(gè)新的基于完全圖中邊排序的字典序數(shù)的哈希的值生成算法。該哈希函數(shù)針對(duì)中文文本圖像產(chǎn)生的哈希碰撞更少，檢索效果更好。該系統(tǒng)的創(chuàng)新點(diǎn)思想是，首先將每一個(gè)特征點(diǎn)周圍的特征點(diǎn)按照距離從近到遠(yuǎn)編

4、號(hào)，選擇最近的m個(gè)點(diǎn)，第一個(gè)點(diǎn)和其余的m-1個(gè)點(diǎn)可以形成m-1條邊，邊的編號(hào)為從1到m-1，依次得到m(m-1)/2條邊。將m(m-1)/2條邊按照從小到大排序，得到每一條邊的長(zhǎng)度排序位置。m(m-1)/2條邊的排序位置也就是1到m(m-1)/2個(gè)整數(shù)的一個(gè)全排列，計(jì)算該全排列在所有全排列中的字典序數(shù)作為哈希值，該哈希值能夠有效避免沖突。
　　第一套系統(tǒng)時(shí)間復(fù)雜度太高，檢索準(zhǔn)確率也有稍低。第二套系統(tǒng)檢特征提取和檢索的速度都比較快，