基于版面特征的文档图像的文本定位方法.pdfVIP

35№4B 计算机科学2VOSVol 基于版面特征的文档图像的文本定位方法+ 钟挥黄洋 (沈阳建筑大学信息与控制工程学院 沈阳110168 脖胀F女r展Ⅱ城．接着a过豪类分析末提取x奉E，最月椎#十i字符日自身《$E域m“、宽高m等特扯有#《 位m目像十i奉Ⅱ域。对超t100自目iA告i#目像进行女驻，均＆得较*意％i。宾验￡现i＆∞准自丰自 4壕挂“、切分聚#分析等”41啡＆**}徂女。t皋E理日准女￡住特有“十提高目i≈§≈#目像∞括索＆ 率． 关键目i#目谆，i$￡t，i$握口，}符切》 类算法．其基奉原理是给定娄的个数K．将一个对象分到K 引言 十娄巾去，使得娄内对象之问的相似性最大，而类之间的相似 目像中的文本包古丰富的信自，如果这§E域能被自动 性最小。在粗略提取出文字边缘前提下，利用}均值聚类算 提取出来，则对图像的索引和检索是非常有价值的，图豫中文 法(K--3)把得到的所有特征向量分为三类，井得到=特征向 本提取包含M个步骤：(1)文本定位。即找出T同版面田像中量的聚类中心，此时各特征向量对应的原图像中像素点也被 包古文本∞《形日域。(2)文本识别。Ⅺ提取出的立车Ⅱ域 分为=类。背景非边缘部分变化此较缓慢．对拉普拉斯算子 进行相关图像Ⅱ处理，然后进行字符识别。空奉定位是文本 的相应鞍弱，对应着聚类中。离(0∞最*的一娄向量，相反． 识别的前提，是立本提取的关键。 立字边缘Ⅱ域和背景边缘部分对拉普拉斯算子的相应№较％ 文本的特征主要包括颤色特征、字符太小、字符间距等特 烈，对应着聚类中。离(o∞最自的一类向量．而相应舟f两 征，采月自顶向T自底向t等方式，提取出文本对象和分离 者同的于图像B则对应着另一类向最。目此就粗略得到T= 文率层。随着多媒悻技术的发展，基f关键诃的图像检索技 十E域背景，文车B域、f图像在原文档目像中的位i，分别 术B经{能满足人们的要求，基}内客的圉像检索庙iⅢ±，对应着图1所iE域。可啦看到，自色的文本E域只是粗略 而目像中的文字是图像高层语义的重j来源。对fT同版面 标出了字符笔i的位置，笔i存在断裂m象。针对笔i断裂 特征的文特图像．文本定位准确与☆对信息索引、检索、数字 现象，这里采用形毒学膨胀运算来扩展文字边缘日域，得到相 国书馆等粳域都有着重要的髟响。 应的局部连通文本Ⅱ域，然后通过反色处理恢复成原有图像． 2基于版面特征的文档图像的文本定位方法 本文综台女档目像中中文字符的常用特征．提出T一种 针对图文挹台版面的文档图像的文本定位方法．该方挂首先 利用拉普拉斯算子粗略检测出文字边缘Ⅱ域．利用形态学膨 胀法扩展日域，接着通过聚共分析得到文车层，然后对月部连 通文本E域进行切分，提取出单十字符特征，最后利用字符亮 高比、占矩形日域的＆例等特征．扩晨文本行Ⅸ域，从自宴现 文档图像的文本定位。通过对图像的文车定位，将有效提高 图文混台文档图像的柱索效率． z1文档圄像预处a 顶处理阶段的目的是租略提取出整幅图像中文丰边缘B 2 3女本E域的切分方法 域。由f噪声点对边沿植测有定影响．因此拉普拉斯算于 通过对局部连a支奉E域的切分目的是为T提取字符本 是技果最好的边沿柱测器。首先，在256色文档图像转化为 身及相邻字符的一些位置特征。这i《用基f连遵域的切分 灰度图像的前提下，经过目十拉普拉斯模板算于的分别作用． 算法＆行字符切分，主要采用灰麈值分级的概念，灰度值分级 可“樽到两幅新的“目像”，选样原圉像中每个像素点都有一 通常采用直方圈均衡法．这种分级不改变像紊衷度憧，只对每 个新得到“图像”中对应忙i的值构成的特征向量(V1．V2)。个像素设置个级别。根据藏度分级的结果把图像趾理为分 为了更好地提取出文率E域，需对文档