中英文混排文字識別系統(tǒng)的設計與實現(xiàn).pdf

1、隨著國際間技術交流的發(fā)展，多語言文檔越來越普遍，尤其是在高技術領域，通常都有大量的外文術語。在我國，最為常見的是中英文混排文檔。多語言文檔的出現(xiàn)也對OCR技術提出了新的要求，與單一文檔識別不同的是，混排文檔中由于不同語言特點的差別，要求對文檔中出現(xiàn)的不同語言加以區(qū)分，采用不同的識別方法進行識別。 本文在研究當前光學字符識別(OCR)系統(tǒng)及相關識別技術的基礎上，設計開發(fā)了一套印刷體文字識別系統(tǒng)。主要工作如下： 其一，針對現(xiàn)

2、有字符切分方法在復雜版式環(huán)境下不能正確處理圖標和花邊，在中英文混排環(huán)境以及不同字號文字混排情況下不能準確的進行切分等問題，提出了一種基于漢字周期及識別反饋的混排文字切分方法。該方法中采用了基于連通區(qū)域合并的行切分算法更為準確的完成了文本圖像的行切分，采用了基于字符間距周期的中文字符分離算法，實現(xiàn)了對連通區(qū)域類型的判定，最后采用了基于識別的漢字部件合并算法，完成了對左右結構漢字的連通區(qū)域合并。實驗表明，此方法的字符切分準確率優(yōu)于傳統(tǒng)的基于

3、投影的行字切分算法。 其二，設計并實現(xiàn)了一個通用的漢字識別軟件框架，其設計充分考慮了用戶使用的需求以及軟件更新和維護的要求，提供了一個可移植的、可伸縮的靈活的文字識別軟件平臺。基于此平臺，用戶可以根據(jù)輸入圖像的特點進行動態(tài)的算法定制，改變其執(zhí)行軌跡，提高識別效率；用戶也可以對同一圖像采用不同的算法來進行識別，從而實現(xiàn)對算法性能的比較。而對于軟件維護人員來講，算法的更新和維護工作在此平臺下也變的更為簡單和方便，只需進行配置文件的修