文档图像分割技术研究.pdf

文档图像分割技术研究8 付昱高芸黄祥林 中国传媒大学计算机与软件学院北京100024 摘要：在文档图像分析处理中，分割技术十分必要。本文介绍了目前文档图像分割算法中常用的 特征，并对针中文文档图像给出了一种分割方法。该方法首先利用Sobel算子粗略检测出文字边缘区 域，利用形态学膨胀方法扩展该区域，接着进行了两次颜色聚类分析，最后根据中文字符的特征进行 了一系列启发式处理，很好地分割出了文字区域。 关键词：文档图像分析图像分割文字提取 I引 言 随着信息技术的发展，许多传统纸张媒体实现了数字化以文档图像格式进行存储和传输。文档图像不 同于自然图像，一般包括文字、线图、图片等特定性质的区域块。图像中的文字则显得尤为重要，它相对 于其它语义内容更易于提取，有助于对图像内容的描述，可用于基于关键词的图像检索…。但文档图像是 以像素形式存贮的，很难直接操纵其中的文本内容，必须进行文档图像分析。而文档图像分害0则是其中的 关键技术，主要是如何从文档图像中提取文字区域。 在文档图像分割中，一般利用图像的区域、纹理等特征，提取出文字对象和分离出文本层。本文对此 进行了介绍和分析，并针对中文文档灰度图像给出了一种分割方法。该方法首先利用Sobel算子粗略检测出 文字边缘区域，利用形态学膨胀方法扩展该区域，接着进行了两次颜色聚类分析，最后根据中文字符的特 征进行了一系列启发式处理，很好地分割出了文字区域。 2文档图像分割的特征选择 在文档图像分割中，一般可以根据图像的区域特性、纹理结构和灰度值等特征进行处理，其中区域特 性又可以分为连通成分和边缘两种‘“。分割文档图像时，选择不同的特征对应着不同的处理方法。 2．1区域特性 基于区域特征的分割方法主要利用文本区域彩色或灰度值特性与相应背景特性之阉的不同实现的，其 又可以分为两种：基于连通成分的和基于边缘的。前者使用自底向上的方式，把小的成分逐步台并成较大 的成分，直到组合成能够鉴别的区域为止。这就需要几何分析，利用成分的位置信息来滤去非文字成分井 标记出文字的边界。例如Lee口1使用该方法检测和识别货物包装上的文字，并利用基于高宽比、行程度量等 特性来滤去非文字区域。该方法实现相对比较简单应用广泛，但当字符串是多颜色的和图像分辨率低时，其 可能将一个字符分成多个连通成分。后者主要处理文字与背景之间高对比度的图像。通常用边缘滤波器(拉 普拉斯算予、Canny算子等)找到文字的边缘，并用平滑操作或形态学方法将其组合起来，然后用启发式 +基金资助·受国家发改委项目(CNGI-04—12—2A)资助。 作者俺弁：付曼，男．硕士研究生，研究方向为信号处理技术和图像处理。 412 计算机技术与应用进展·2006 方法滤去非文字区域。Hasanp]用梯度算子检测边缘，利用膨胀算法组合离得较近的边形成候选文字区域， 最后利用文字大小、宽高比等特性滤去非文字成分。 2．2纹理特征 基于纹理的分割方法则利用了图像中文字结构特性与相应背景结构特性有明显区别的特点，使用基于 能量的变化，对能量变化进行闽值分析得N-值图像，然后对其进行连通成分分析(使用几何特性)，最 后将文字区域合并起来得到结果。使用纹理信息来定位文本对字体大小很敏感，很难找到一个适合各种情 况的纹理滤波器集合。另外，基于纹理的过滤方法需要扫描整幅图像来检测和定位文字区域，计算比较复 杂，耗时比较多。 2．3灰度值特征 二值化技术基于灰度进行图像分层，一般包括全局、局部和自适应阈值方式，是最简单的文档图像分 割方法之一。因为文档图像有很多都是高对比度的，例如白色的背景和黑色的字体，所以能够通过设定阈 值分离出文本。Wu[5埽惘该技术把文档分成了文本层、背景层和颜色层：首先把ROB[]像转为灰度图像， 利用聚类分析把其转化为暗层、中间层和亮层，然后使用自适应二值化技术得到前景层和背景层，扩展前 景像素的区域为矩形块，最后从前景块中提取出文字来。 3文档图像分割算法实现 本文综合文档图像分割中常用的一些特征如边缘、灰度值等，给出了一种针对图文混合的中文文档灰 度图像的分割方法。该方法首先利用Sobel算