基于矩阵模型的中文书写文本图表的提取和分割.pdfVIP

基于矩阵模型的中文书写文本图表的提取和分割 摘 要 本文论述了基于矩阵模型的中文书写文本图表的提取和分割方法。书写文本为行式 书写的字符，其中包括手写体字符和图表。每行由在同一线段上的字符组成。文本与图 表的行、相邻的字符有关。如果可以从图表中提取，就可识别这些字符线段以及相关的图 表，也可识别行、列排序的标题、子标题和字符部件。实验显示，本文的方法具有较高的效 率。 关键词 中文书写的文本 数字的书写 手写体 图表的提取 图表的分割 一 、 概述 别没有边缘和分割线段的标题和字符部件。这 随着数字式记录方式如Anoto Pens 、MS 里，我们列出了不能识别的几种情况： Tablet PC ( 、 IBM ThinkPad TransNote( 、 (1)不存在完整的边缘线：仅在顶部和底 Interactive Pen Displays‘ 和 Electronic White 部确定两条边缘线或完全没有边缘线； Boards 以及基于笔划相互作用和联系的技 (2)没有完整的分割线：存在一些不完整 术 ’”、数字式其它记录方式的引入，为用笔书 的分割线或完全没有分割线； 写于纸上的记录方式输入创造了条件。其形式 (3)标题或字符部件的组成多于一个线段 有：书写记录的坐标、倍率的标识和笔划取样点 或没有包含任何内容； 的 缩以及多页文本的存贮。书写文本由自由 (4)标题或字符部件可能含有中文字符、 形式的输入和采用新的文件形式来表示。目 英语单词、数字以及特殊符号； 前，已开发了几种针对书写文本记录方式、存 (5)一组子标题和字符部件。行式排列的 贮、管理、分析和识别的软件工具 。 多组子标题和字符部件，列式排列的多组子标 书写文本可包含正文、图表、流程图等。图 题和字符部件； 表为简捷的、采用有效描述共用格式的有关信 (6)行或列中存在不同数量的字符部件。 息¨叭，它可以使读者方便搜索、比较，快速理解 从上述几种情况可以看出，在图表中，相邻 数据的形成¨”。大部分的书写文本包含了各 的行或其主要部分必须以字符部件和标题的形 种类型的图表，但分析文本需要提取和分割图 式分布，并存在一些连接线段(分割线和边缘 表。分割的图表可进一步在多种优化方式下进 线)。基于以上考虑，我们检测图表的标题、字 行调整，如行、列和字符部件的移动，横或竖标 符部件和连接线段。矩阵模型最接近于提取的 题以及字符部件可自动排序。图表利用 MS 图表，且存在相同的部件和结构，如行、列和元 Word和MS Excel“ 转换为其它的文本形式。 素。文本先以矩阵模式的行书写，即行式的标 先从书写文本中提取图表，然后进行分割。 题和字符部件，还有一些图表的行为边缘线和 分割图表的目的是，使提取的图表分成多个部 分割线。由于汉字在结构上比英语单词复杂， 件(行、列、标题、子标题和字符部件)，并作相 所以中文的文本适合于字符输入。我们的目的 应的识别处理。当前的方法¨ 提取的是不完 是，从中文书写的文本中提取图表来描述日常 整的或没有边缘线段的图表，但能正确提取图 生活是遇到的问题，从中提取基于矩阵模型图 表中的标题和字符部件。另外，不能清晰地识 表的物理和逻辑结构。先将分级构成的笔划以 1 1 矩阵形式来表示书写的文本，然后从矩阵(书