印刷體中文文檔識別系統(tǒng)的研究.pdf

1、隨著信息化時代的到來，相互交流的信息內容越來越豐富，一個中文信息文檔中不僅會含有中文，英文還有各種各樣的公式以及表格和圖形圖像等內容。因此，快速而準確的將信息中各種內容輸入到計算機是信息處理的一個關鍵問題。中文文檔識別系統(tǒng)就是為了實現(xiàn)信息的識別輸入以及轉換信息文檔格式而設計出的產物。而目前的識別系統(tǒng)并不能實現(xiàn)公式的識別輸入，設計一種含有公式識別功能的中文文檔識別系統(tǒng)，對信息文檔的處理有著重要的實用價值和理論意義。 本課題在研究現(xiàn)

2、有字符識別的理論基礎上，研究并設計了一套可以完成公式字符識別的印刷體中文文檔識別系統(tǒng)。該系統(tǒng)主要包含版面分析，漢字和公式識別功能。主要的工作如下： 首先，在得到原始文檔圖像的預處理結果后，利用基于多級別可信度大小和投影特征的版面分析算法，將整個文檔圖像進行版面分析。最終提取出文檔圖像中的文本部分進行多字符識別，即漢字識別與公式識別。 再次，采用兩次定位公式的方法將漢字識別作為公式字符最終定位的依據(jù)，并利用連通域分割法將定

3、位出的公式進行進一步的分割，提取出構成公式的單個字符。利用孔洞數(shù)、網(wǎng)格特征以及穿線特征，采用567個字符樣本建立字符特征庫，并利用多級分類的思想對單個公式字符進行識別及屬性判別。根據(jù)單個字符的識別結果，改進了基于特征字符的結構分析算法，擴充并重新設計了7種結構分析子算法，并利用10種Word EQ域，對分析結果輸出其唯一的一維語法規(guī)則串。 最后，將各種算法集成起來并設計出一個完整的中文文檔識別軟件MYOCR，并通過具體實例驗證了