面向非純文本文檔圖像的檢索技術(shù)研究與實(shí)現(xiàn).pdf

1、隨著電子信息化進(jìn)程的加快和互聯(lián)網(wǎng)的快速發(fā)展，圖像資源正海量的增長(zhǎng)。越來(lái)越多的文檔以圖像的形式進(jìn)行存儲(chǔ)。文檔圖像中除了純文本文檔圖像和純表格文檔圖像外還有很多在文本中包含表格或圖像的文檔。如何對(duì)這些非純文本內(nèi)容的文檔圖像進(jìn)行檢索值得進(jìn)行深入的研究。
　　針對(duì)純文本文檔的檢索技術(shù)主要提取與文本或字符有關(guān)的特征，這些特征對(duì)于文本中有表格或圖像的文檔圖像則不適用。針對(duì)表格提取的特征同樣不適用于文檔中的文本部分。對(duì)于文本占主體同時(shí)包含表格或

2、圖像的文檔圖像，充分利用文本部分和非文本部分的特征，并且把兩部分的特征很好的結(jié)合起來(lái)才能有效的表達(dá)圖像。
　　本文提出綜合文檔版面分析、全局特征以及局部特征的方法對(duì)文本圖像進(jìn)行特征提取和檢索。在特征提取前首先對(duì)文檔圖像進(jìn)行預(yù)處理。由于種種原因，文檔以圖像存儲(chǔ)時(shí)可能會(huì)產(chǎn)生噪聲或發(fā)生傾斜，這些干擾將影響到文檔圖像的特征提取，因此對(duì)文檔圖像進(jìn)行預(yù)處理很有必要。本文通過(guò)對(duì)文檔圖像預(yù)處理的研究，對(duì)文檔圖像進(jìn)行二值化、去噪、傾斜校正操作，使得

3、文檔圖像便于特征提取。在特征提取時(shí)，分析文檔的版面特征，把文檔分為純文本文檔、包含表格的文檔和包含圖像的文檔。針對(duì)純文本文檔和非純文本文檔中的文本部分，提取全局段落特征和局部像素特征;針對(duì)非純文本文檔中的表格部分，提取其相對(duì)空間位置特征和表格單元格框架特征;針對(duì)圖像部分提取其空間位置特征和投影直方圖特征。然后將所提取到的特征相結(jié)合作為文檔圖像的綜合特征，以此作為對(duì)文檔圖像檢索的依據(jù)。
　　檢索前，把圖像庫(kù)中文檔圖像的特征按文檔類(lèi)型

4、的不同存到相應(yīng)的特征庫(kù)中。在檢索時(shí)，根據(jù)文檔的類(lèi)型，把提取的文檔圖像特征與特征庫(kù)中相應(yīng)類(lèi)型的特征進(jìn)行匹配，根據(jù)特征向量之間距離的大小檢索出最相似的圖像。
　　實(shí)驗(yàn)時(shí)分別對(duì)純文本文檔、包含表格的文檔和包含圖像的文檔三種類(lèi)型的文檔進(jìn)行檢索，通過(guò)與針對(duì)文本文檔的檢索方法和針對(duì)表格文檔的檢索方法進(jìn)行對(duì)比，實(shí)驗(yàn)結(jié)果表明:通過(guò)對(duì)文檔進(jìn)行版面分析并把文檔分成不同的類(lèi)型，然后針對(duì)每一種類(lèi)型分別提取全局和局部特征，最后對(duì)提取的特征進(jìn)行綜合的方法對(duì)非