基于0-1规划的规则中文文件碎片自动拼接技术①-计算机系统应用.PDF

计 算 机 系 统 应 用 2015 年 第 24 卷 第 4 期 基于0-1 规划的规则中文文件碎片自动拼接技术① 蓝 洋, 和 亮 (西安外事学院 工学院, 西安 710077) 摘 要: 为了实现规则中文文件碎片的拼接, 研究了规则碎片文件中汉字文本的特征, 提出了文件碎片中文本行 信息的提取方法, 定义了基于 L1-norm 的碎片边界差异度概念, 建立了基于 0-1 规划的文件碎片拼接模型, 并运 用聚类分析降低了算法复杂度. 与现有同类算法相比, 本文的算法无需使用人工干预即可完成正确拼接. 1 关键词: 规则碎片拼接; 0-1 规划; 聚类分析; 文本特征提取; L -norm Automatic 0-1 Programing Based Reassembly of Fragmented Chinese Documents LAN Yang, HE Liang (College of Engineering, Xi’an International University, Xi’an 710077, China) Abstract: In this thesis, feature of Chinese characters in regular fragments of document is studies and a method of extracting line-information of text is proposed. By defining the concept of L1-norm based differences between adjacent fragments, we develop a reassembly algorithm base on 0-1 programming and reduce the algorithm complexity by using cluster analysis. Compared with existing method, our reassembly method can fulfill the reassemble of given fragmented Chinese text effectively and efficiently without artificial supplementary. 1 Key words: regular fragments reassembly; 0-1 programing; cluster analysis; text feature extraction; L -norm 文件碎片的拼接与复原在情报获取、文件修复中 再次使用行信息完成了文件的复原. 具有重要应用[1]. 在没有计算机辅助的情况下, 仅依 靠人工可以完成少量碎片的拼接, 但是耗时相对较长. 1 文件碎片的数字化 当碎片规模增大时, 人工拼接的难度与人力工时均大 本文所使用的碎片样本来自一页印刷的中文文件, 大增加, 因此, 设计恰当的算法实现计算机拼接可以 被碎纸机切割成 209 张尺寸相同的碎片, 碎片内所印 解决这一问题. 现实中的文件碎片拼接大致分为两类: 刷的中文文字大小一致, 字间距、行间距均为常数, 文 不规则形状的碎片拼接[2-6](需依赖边界轮廓和碎片上 字按行水平排列. 为了利用计算机进行碎片拼接, 对 的信息)和规则切割碎片的拼接[7-10], 后者所针对的碎 文件碎片实物进行扫描得到其图片文件,