文檔圖像特征提取和檢索.pdf

1、隨著計算機和互聯(lián)網(wǎng)技術(shù)的發(fā)展，越來越多的文檔圖片需要被收集、存儲和檢索。檢索作為管理大量文檔圖片的基本需求，它的重要性不言而喻。本文圍繞文檔圖像的檢索展開，涉及到圖片檢索的相關(guān)知識、文檔圖片處理的內(nèi)容，最后講解了已經(jīng)實現(xiàn)的文檔圖像檢索系統(tǒng)。
　　本文實現(xiàn)了兩套文檔圖像特征提取和檢測的系統(tǒng)，第一套是基于頁面布局編碼的檢索系統(tǒng)，第二套是基于局部特征點幾何關(guān)系哈希的檢索系統(tǒng)。
　　在第一套系統(tǒng)中，求出每一個文字行的位置然后按照文字

2、行位置之間的關(guān)系進行編碼。編碼規(guī)則是每一行的行高，x坐標相對于上一行的x坐標移量和y坐標相對于上一行的y坐標的偏移量分別比上上一行的行高，形成三個比值。然后將這三個比值離散化為0到25共26個不同的整數(shù)，每個整數(shù)對應(yīng)一個字母。這樣每一行相對于上一行就可以生成一個單詞。按照同樣的方法對每一個字符的位置進行編碼，然后生成若干單詞。不管是行位置單詞編碼還是文字位置單詞編碼都需要進行壓縮，減少信息冗余。對行位置編碼和文字字符位置編碼建立全文索引

3、，對于檢索圖片提取同樣的編碼進行檢索，獲取候選集，再進行精細匹配。
　　第二套系統(tǒng)在Tomohiro Nakai等人提出的LLAH（Locally LikelyArrangement Hashing）算法[1]的基礎(chǔ)上做了一定的改進，在系統(tǒng)中實現(xiàn)了一個新的基于完全圖中邊排序的字典序數(shù)的哈希的值生成算法。該哈希函數(shù)針對中文文本圖像產(chǎn)生的哈希碰撞更少，檢索效果更好。該系統(tǒng)的創(chuàng)新點思想是，首先將每一個特征點周圍的特征點按照距離從近到遠編

4、號，選擇最近的m個點，第一個點和其余的m-1個點可以形成m-1條邊，邊的編號為從1到m-1，依次得到m(m-1)/2條邊。將m(m-1)/2條邊按照從小到大排序，得到每一條邊的長度排序位置。m(m-1)/2條邊的排序位置也就是1到m(m-1)/2個整數(shù)的一個全排列，計算該全排列在所有全排列中的字典序數(shù)作為哈希值，該哈希值能夠有效避免沖突。
　　第一套系統(tǒng)時間復(fù)雜度太高，檢索準確率也有稍低。第二套系統(tǒng)檢特征提取和檢索的速度都比較快，