中文印刷體文檔內(nèi)容識別系統(tǒng)研究.pdf

1、隨著信息的傳播和交換的迅猛增長，將以紙張為介質(zhì)的文檔信息自動轉(zhuǎn)換成數(shù)字形式成為一項十分有意義的工作。為此，開發(fā)一種高效的文檔信息處理系統(tǒng)成為一項迫切的任務(wù)。 本文提出的文檔信息處理系統(tǒng)包括了復(fù)雜文檔的版面分析、版面理解、漢字識別、公式識別、表格處理、版面重構(gòu)幾個功能模塊。主要對版面分析、漢字識別和公式識別三個方面進(jìn)行了研究。 在版面分析中，采用基于最近鄰連接強度和行列可信度的自底向上的版面分析算法，分割出圖像區(qū)域、表格區(qū)

2、域和文本區(qū)域；在漢字識別模塊中，采用回溯切分方法切分出字符段，計算合并差異度與特征字典比較，通過引入漢字的拒識類，從而實現(xiàn)了公式的定位；將定位后的數(shù)學(xué)公式送入公式識別器，在公式識別器中采用基于連通域搜索的字符分割方法和模板匹配方法對字符識別，對于識別出的字符，再采用基于特征字符的結(jié)構(gòu)分析方法，從而將二維的數(shù)學(xué)公式轉(zhuǎn)化為一維的Word EQ域語句。經(jīng)過上述的幾個步驟之后，系統(tǒng)輸出為純文本。漢字和Word EQ語句的順序就是原文本中的漢字和