蒙漢英混排文檔圖像的文種識(shí)別研究.pdf

1、目前絕大多數(shù)的文字識(shí)別(OCR)系統(tǒng)，只能識(shí)別單一文種的文字，無法同時(shí)識(shí)別多文種文字。而現(xiàn)有的大量蒙古文文檔圖像中不僅包含蒙古文，還混有漢文和英文。如果識(shí)別時(shí)僅使用蒙古文專用的OCR引擎，那么會(huì)造成漢文和英文的無法識(shí)別，導(dǎo)致識(shí)別效果不佳。本文針對(duì)這個(gè)問題提出了一種解決方法:先對(duì)蒙古文文檔圖像進(jìn)行文種識(shí)別，將原文檔圖像中的文字按照文種分為蒙古文類、漢文類、英文類，再調(diào)用相應(yīng)文種的OCR引擎識(shí)別文字，最終實(shí)現(xiàn)對(duì)蒙漢英三種文字同時(shí)識(shí)別的功能。

2、文中闡述了文字提取和文種識(shí)別的方法。
　　文字提取的方法是首先抽取連通域面積和連通域數(shù)目特征，采用線性分類器區(qū)分文本區(qū)域和圖像區(qū)域;然后運(yùn)用投影分析和高斯平滑的方法切分列;隨后依據(jù)連通域外接矩形框之間的位置關(guān)系形成文字塊;最后使用改進(jìn)的水滴算法切分文字塊。實(shí)驗(yàn)結(jié)果表明，本文的文字提取方法具有比游程平滑算法和最小生成樹法高的提取正確率。
　　文種識(shí)別的過程分為粗分類和細(xì)分類兩個(gè)階段。在粗分類階段，選擇文字的寬度、高度和主干線特