復(fù)雜版面文檔圖像表格與圖的提取及分析.pdf

1、隨著信息化時(shí)代的來臨，紙質(zhì)文檔電子化已成為信息化建設(shè)的重要趨勢(shì)。表格是一種信息量高度集中的文本形式，它可以將文本和圖涵蓋其中，具有規(guī)范、簡(jiǎn)明和易于處理等特點(diǎn)。圖是對(duì)文字的生動(dòng)化描述，可以將晦澀難懂的文字通過圖的形式表達(dá)出來。在復(fù)雜版面文檔圖像中魯棒并精確地進(jìn)行表格與圖的提取及分析，是紙質(zhì)文檔電子化的關(guān)鍵。本文對(duì)此進(jìn)行了深入的研究，主要內(nèi)容如下：
　　1.從文檔圖像中表格與圖的特點(diǎn)著手，對(duì)文檔圖像進(jìn)行預(yù)處理。本文首先將黃氏模糊算法與

2、OTSU算法結(jié)合，對(duì)文檔圖像進(jìn)行二值化，通過實(shí)驗(yàn)結(jié)果證明該算法抗噪性能良好，且減少了表格線的斷裂。此外針對(duì)傾斜的二值文檔圖像，本文采用基于Hough變換與形態(tài)學(xué)運(yùn)算相結(jié)合的傾斜校正算法進(jìn)行校正，并且用實(shí)驗(yàn)證明了該算法的有效性。
　　2.表格的分析分為表格框線的提取、單元格的提取與表格重構(gòu)三部分。第一部分，表格線的提取采用了基于形態(tài)學(xué)的算法，能準(zhǔn)確地提取出表格框線，并定位出表格區(qū)域。第二部分，為了有效地提取單元格，本文首先對(duì)提取出的

3、表格框線做了細(xì)化。通過對(duì)Hilditch、Rosenfeld、查索引表、并行細(xì)化算法結(jié)果作比較，最終采用了并行細(xì)化算法，并對(duì)其細(xì)化不徹底的缺點(diǎn)做了改進(jìn)。然后，單元格的提取采用了基于表格特征點(diǎn)的算法，并采用Hough變換檢測(cè)單元格內(nèi)的斜線。第三部分，對(duì)單元格內(nèi)的文字信息進(jìn)行連通域掃描來定位，并將表格框線與斜線整合完成表格的重構(gòu)。
　　3.圖的提取采用了基于輪廓跟蹤的算法，該算法可以將去除表格的文檔圖像中的圖提取出來。本文針對(duì)類似表格