一种中文文档图像中检索方法研究.docVIP

一种中文文档图像中检索方法研究 　　摘要:如何对急速增长的文档图像进行有效检索是文档图像管理系统的关键技术之一。提出了一种不需要识别文字的检索中文文档图像的方法,该方法在字符分割基础上采用基于粗外围特征粗匹配和基于改进Hausdorff距离相似度测量的两级匹配方法,以适应于时间、准确性的不同要求。同时用对200幅文档图像样本进行了实验,其结果表明,使用该方法对检索印刷体汉字的文档图像具有较高的检索效果,对于数字图书馆中文档图像检索系统的设计,有一定的参考价值。 　　关键词:中文文档图像;字符切分;粗外围特征;Hausdorff距离 　　中图分类号:TP391文献标识码:A文章编号:1009-3044(2009)26-7485-02 　　 　　A Study on Chinese Document Images Retrieval 　　HAN Xiao-qin 　　(The College of Education Science, Luoyang Normal University, Luoyang 471022, China) 　　Abstract: How to search for desired information from increasing imaged documents effectively, is one of the key technologies of the imaged documents management system. An approach to searching for words in Chinese document images without character recognition is proposed in this paper. This method, on the basis of character segmentation, has two matching procedures, coarse periphery feature matching and character image similarity matching based on modified Hausdorff Distance. For 200 samples of imaged document,experimental results show that the present method have high retrieval results. 　　Key wors: chinese document images; character segmentation; coarse periphery feature; hausdorff distance 　　 　　目前,大量的文档资料以数字图像的形式保存。这些文档图像数量巨大,并以惊人的速度增长,如何快速的从这些文档中检索信息是一个重要的研究课题。通过OCR(Optical Character Recognition)系统能够将文档图像中的文字部分转化为文本数据,但OCR在实际应用中,尤其是对中文的识别还有较大的限制[1]。基于内容的文档图像检索 (Content-based Document Image Retrieva1, DIR) [2],是一种不使用OCR(Optical Character Recognition)直接利用图像特征进行检索的技术。这种方法是通过对字符图像的检索,能够快速的从大量文档图像中检索到相应的内容,而不需要使用OCR系统对所有的文档进行转化,它可以作为OCR系统的有效补充。很多学者在中文文档图像检索方面做了一些研究[3-6]。本文提出了一个使用关键词对印刷体中文文档图像搜索的方法,该方法在字符分割基础上采用基于粗外围特征和基于改进Hasdorff距离的两级匹配方法,具有较高的检索效率。 　　 　　1 中文字符切分 　　 　　目前我国的出版物一般以横排版本为主。横排版的文字是从左向右按行编排,然后再从上往下逐行排列。本文主要针对这种版本的文档,使用投影分量方法进行字符切分。为了消除文档倾斜和噪音对字符切分的影响,在切分之前对文档图像进行倾斜校正和中值滤波。字符切分包含两个步骤:行切分,列切分。 　　1.1 行切分 　　行切分采用水平投影法分割行,设大小为N×M的字符的二值图像为f(i,j),则定义在i行上的投影公式为其中,j=1,2,…,N.H(i),反映了字符图像按行累计分布情况。分析H(i)的分布规律,图像的水平投影为零的区域对应了文字行间空白间隔,从而获得了文本的行数及其分布。应为文档图像行与行之间有明显的间隙,所以这个阶段效率比较高。 　　1.2 列