印刷體表格識別的研究.pdf

1、在日常的商業(yè)活動中,我們每天都運用了大量的文檔和表格。同時表格文檔也廣泛地應用于各個領域,通常人們需要手動處理表格文檔,例如客戶需要繳納賦稅,圖書管理員需要采集紙質表格文檔中所包含的數(shù)據(jù)信息。由于光學字符識別(OCR)技術的發(fā)展,人們開始嘗試利用可獲得數(shù)據(jù)的標準表格圖像來提取表格中的數(shù)據(jù)信息,這可以減少工作時間并減輕其的工作負擔。在商業(yè)領域中,利用OCR技術可以提高工作質量,并且可以減少人們花費在處理表格文檔上的大量時間。在OCR運用的

2、許多領域中,我們通過獲取的表格模板使用戶知道圖像中印刷體的目標字符串。這些字符串信息包括了許多項目內容如文本信息和數(shù)學公式等。然而,表格的存在阻礙了數(shù)據(jù)信息的提取。因此,表格線檢測/去除是印刷體表格識別技術中的一項重要任務。由上可知,我們需要一個實際的表格識別系統(tǒng)來處理這些問題。
　　本文在印刷體文檔識別技術的基礎上,對表格文檔的識別技術進行了深入的研究,并完成了部分表格識別系統(tǒng)的開發(fā)工作。傳統(tǒng)的表格識別系統(tǒng)可以分為二部分:表格框

3、架識別和圖像信息提取與表格重繪。
　　在表格框架識別部分中,首先表格線的檢測、去除以及圖像識別處理技術都是基于二值圖像完成的。因此,本文運用了一種有效的二值化算法將256色灰度圖像轉化為理想的二值圖像,并采用改進的Hough變換法來完成一定范圍內的圖像傾斜校正;其次,利用文檔圖像的版面分析提取圖像中的表格區(qū)域,并將非表格區(qū)域刪除以便于提取圖像中表格區(qū)域的數(shù)據(jù)信息。最后,本文采用了傳統(tǒng)的投影法與基于直線的搜索相結合的算法完成表格線的

4、檢測與提取。在完成圖像中的表格線的提取之后,針對表格線存在的斷裂和非對齊等問題分別做出相應的處理,并且將圖像中的橫向與縱向表格線重組成表格框架。
　　在圖像信息提取部分中,由于表格的種類繁多及其復雜性,表格單元提取成為表格自動識別系統(tǒng)中一個重要的影響因素。本文采用了交點特征和交點軌跡法提取表格單元,并形成閉環(huán)區(qū)域。然后利用數(shù)學形態(tài)學的方法除去表格線,使我們可以獲取表格圖像中的數(shù)據(jù)信息,利用OCR技術完成數(shù)據(jù)的識別,并將其寫入已經提