文檔圖像識別預(yù)處理研究.pdf

1、隨著計(jì)算機(jī)技術(shù)的推廣應(yīng)用，人類越來越多的依賴計(jì)算機(jī)獲得各種信息，大量的信息處理工作也都轉(zhuǎn)移到計(jì)算機(jī)上進(jìn)行，存在著大量的文字信息處理問題，因而將文字信息快速輸入計(jì)算機(jī)的要求就變得非常迫切。本文將研究重點(diǎn)放在了OCR預(yù)處理方面，對其中的一些算法提出了自己的改進(jìn)意見，并且用C/C++實(shí)現(xiàn)算法，進(jìn)行實(shí)驗(yàn)，分析結(jié)論。本文的主要工作總結(jié)如下：
　　 1.圖像二值化方面。提出了一種新的基于數(shù)學(xué)形態(tài)學(xué)的二值化算法，用數(shù)學(xué)形態(tài)學(xué)的方法將圖像背景提

2、取出來，得到零背景的圖像，對零背景圖像再進(jìn)行二值化，解決了在圖像獲取過程中背景不均勻問題。
　　 2.圖像傾斜校正方面。選取豎直掃描黑游程的中點(diǎn)為直線擬合的特征點(diǎn)，用最小二乘法進(jìn)行直線擬合得出傾斜角度，將圖像以左下點(diǎn)為旋轉(zhuǎn)中心進(jìn)行旋轉(zhuǎn)，并按照旋轉(zhuǎn)后新圖像的寬、高擴(kuò)大區(qū)域，完成傾斜校正。
　　 3.版面分析方面。提出了一種非文本塊優(yōu)先的方法。該方法，掃描文檔圖像做連通域搜索，抽取所有的連通域，根據(jù)連通域的尺寸特征，優(yōu)先提取

3、不具備文字結(jié)構(gòu)特征的區(qū)域；用數(shù)學(xué)形態(tài)學(xué)的方法提取圖像、圖形區(qū)域；用基于投影的方法提取表格區(qū)域；最后對余下的文本區(qū)域采用改進(jìn)的基于投影的縱橫切割的方法進(jìn)行版面分析。結(jié)果表明該方法能大大提高版面分析的速度，精度也有所提高。
　　 4.文種識別方面。實(shí)現(xiàn)基于小波分析的文種識別與基于穿越次數(shù)的文種識別，并根據(jù)實(shí)際情況文本字符的特點(diǎn)，利用版面分析過程中得到的連通域的結(jié)果對穿越次數(shù)的計(jì)算方法進(jìn)行了改進(jìn)。結(jié)果表明能有效減少文種識別的運(yùn)行時間。