印刷體表格識(shí)別的研究.pdf

1、在日常的商業(yè)活動(dòng)中,我們每天都運(yùn)用了大量的文檔和表格。同時(shí)表格文檔也廣泛地應(yīng)用于各個(gè)領(lǐng)域,通常人們需要手動(dòng)處理表格文檔,例如客戶需要繳納賦稅,圖書(shū)管理員需要采集紙質(zhì)表格文檔中所包含的數(shù)據(jù)信息。由于光學(xué)字符識(shí)別(OCR)技術(shù)的發(fā)展,人們開(kāi)始嘗試?yán)每色@得數(shù)據(jù)的標(biāo)準(zhǔn)表格圖像來(lái)提取表格中的數(shù)據(jù)信息,這可以減少工作時(shí)間并減輕其的工作負(fù)擔(dān)。在商業(yè)領(lǐng)域中,利用OCR技術(shù)可以提高工作質(zhì)量,并且可以減少人們花費(fèi)在處理表格文檔上的大量時(shí)間。在OCR運(yùn)用的

2、許多領(lǐng)域中,我們通過(guò)獲取的表格模板使用戶知道圖像中印刷體的目標(biāo)字符串。這些字符串信息包括了許多項(xiàng)目?jī)?nèi)容如文本信息和數(shù)學(xué)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(cè)/去除是印刷體表格識(shí)別技術(shù)中的一項(xiàng)重要任務(wù)。由上可知,我們需要一個(gè)實(shí)際的表格識(shí)別系統(tǒng)來(lái)處理這些問(wèn)題。
　　本文在印刷體文檔識(shí)別技術(shù)的基礎(chǔ)上,對(duì)表格文檔的識(shí)別技術(shù)進(jìn)行了深入的研究,并完成了部分表格識(shí)別系統(tǒng)的開(kāi)發(fā)工作。傳統(tǒng)的表格識(shí)別系統(tǒng)可以分為二部分:表格框

3、架識(shí)別和圖像信息提取與表格重繪。
　　在表格框架識(shí)別部分中,首先表格線的檢測(cè)、去除以及圖像識(shí)別處理技術(shù)都是基于二值圖像完成的。因此,本文運(yùn)用了一種有效的二值化算法將256色灰度圖像轉(zhuǎn)化為理想的二值圖像,并采用改進(jìn)的Hough變換法來(lái)完成一定范圍內(nèi)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(jié)合的算法完成表格線的

4、檢測(cè)與提取。在完成圖像中的表格線的提取之后,針對(duì)表格線存在的斷裂和非對(duì)齊等問(wèn)題分別做出相應(yīng)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(lèi)繁多及其復(fù)雜性,表格單元提取成為表格自動(dòng)識(shí)別系統(tǒng)中一個(gè)重要的影響因素。本文采用了交點(diǎn)特征和交點(diǎn)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(xué)形態(tài)學(xué)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(shù)完成數(shù)據(jù)的識(shí)別,并將其寫(xiě)入已經(jīng)提