復(fù)雜表格文檔預(yù)處理與文本提取算法研究.pdf

1、文檔分析與理解在內(nèi)容分析與識(shí)別、以及基于內(nèi)容的檢索等領(lǐng)域具有重要意義，一直以來(lái)受到極大關(guān)注。從圖像文檔中自動(dòng)獲取信息可以大幅度提高信息處理效率，并具有重要的應(yīng)用價(jià)值。包含表格的復(fù)雜文檔存在于生活的方方面面，針對(duì)這些文檔的文本信息自動(dòng)提取和識(shí)別具有很大的應(yīng)用前景。
　　本文以病歷表圖像和快遞單圖像為研究對(duì)象，對(duì)包含表格的復(fù)雜文檔圖像預(yù)處理、表格檢測(cè)、文本提取等內(nèi)容進(jìn)行了較為深入的研究。論文的主要工作如下：
　　(1)表格區(qū)域定

2、位及矯正。給出了基于直線交點(diǎn)交角的區(qū)域定位算法，把圖像中表格區(qū)域從原圖像中定位分離出來(lái)，很大程度提高了后續(xù)處理的準(zhǔn)確性和效率。之后采用透視變換算法實(shí)現(xiàn)圖像矯正處理，克服了圖像畸變對(duì)圖像處理的影響。實(shí)驗(yàn)結(jié)果表明，該方法能較好地從復(fù)雜圖像中定位并矯正表格區(qū)域。
　　(2)表格檢測(cè)。首先改進(jìn)基于邊緣圖像的局部自適應(yīng)二值化算法，使之對(duì)本文研究處理的表格圖像具有良好的二值化效果。然后改進(jìn)鄰接圖算法(Block Adjacency Graph

3、，BAG)，增強(qiáng)了該算法表格線檢測(cè)的有效性。檢測(cè)表格線之后，通過(guò)分析直線結(jié)構(gòu)、表格特點(diǎn)，最大限度地修補(bǔ)缺失的表格線。實(shí)驗(yàn)證明該算法能夠有效實(shí)現(xiàn)表格區(qū)域圖的表格檢測(cè)。
　　(3)文本提取。完成表格檢測(cè)后，改進(jìn)鄰接向量連接算法，補(bǔ)全字符的斷裂筆畫，從而保證了文本信息的完整性。接著根據(jù)表格線進(jìn)行文本段落定位處理，最后通過(guò)分析聯(lián)通部件的特征實(shí)現(xiàn)文本行的分割。實(shí)驗(yàn)表明該方法能夠較好完成表格文檔的文本分割、提取工作。
　　為測(cè)試算法的有