基于统计方法的混排文字切分和分类.pdfVIP

基于统计方法的混排文字切分与分类’ 徐蔚然于武贵郭军 北京邮电大学摸式识别与智能系统实验室．北京100876 cN XuweiranOpri￡bt|Dt．e血i 摘要奉文针对实际的混撵文档图像．提出一种基于贝叶斯分类器的统计学习方法切分文字．并实现文字 类别判断．该方法结构简单、计算篮少．易于扩展功能，而且试验结果表明该方法切分效果好、文字类gIl 麴J断准确． 关键词： 简单贝叶斯分类器文字切分文字类剐判断OCR Character andCharacter Segmentation Language DiscriminationBasedonStatisticalMethod XuWeiranYu GuoJun Wugui 100876 BeringUniverst啦ofPosls＆1klecom。Bering edit．cn Xuweiran@pris．bHDti AbstractAimatthedocumentwithbothChineseCharactersandEnglishcharacters．this image paperpresentachaucer and discriminationmeIhodbasedon BayesClassifier． segmentationlanguage Simple Thismethod’sstructureis nomuchcalculationisneededThe resultssh。uthatthis veryeasy,and experiment methodis effective very ClassifierCharacter Character DiscriminationOCR Keyword：SimpleBayes SegmentationLanguage 1引言 字符切分近几年来一直是OCR领域中的关键问题。较高的单字识别正确率与无限帝! 印刷体或手写体文本的识别正确率之问的差距正说明了这一点．而且目前在文字识别领域 所取得的大部分进展都可归功于文字切分水平的提高…．同样，汉字识别技术的实用化也 受限丁汉字字符的切分．即使已经提出的OCR产品，也并未完全解决这个问题。实践表 明，汉字识别系统的正确识别率与正确的汉字切分密切相关，错误切分将导致错误识别”l。 fI】总结了1962～】996年的字符切分技术后认为，文字切分需要综合考虑两种信息：一 种是基r局部的，文字的形状和结构等特征的信息(丝1‘结构分析的切分)：另一}?是基于 整体的，切分出文字的内容的信息(基于文字内容识别的切分)。目前基于结构分析的切分 方法在确定切分参数时并没有明确的、基于统计学习的方法：一般都是在分析汉字形状和 结构特点之处下一I：夫，而在具体确定切分参数时，根据人的理解．加入一些逻辑判断．这 样的不利之处是：(1)分析汉字形状和结构特点时=I_=作量较大，且比较繁琐，例如【7】从语 规范汉字都进行了分析统计：(2)对汉字的形状、结构的分类没有确切的最优解．属于不 适定闯题．例如目前尚无“部件”概念的明确定义：(3)描述规则比较复杂，甚至需要专 家系统：(4)不易扩展功能．如增加字体或是汉字、英文混排时，原规则需要较大地改变。 文字类别判断对于提高识别率同样非常重要，该问题也是目前OCR领域的热点问题 fjj．本文针对中文、英文、数字和标点混排时的印刷体文字切分