快速图像文档分类的分析-信号与信息处理专业论文.docxVIP

独创性(或创新性)声明 独创性(或创新性)声明 本人声明所呈交的论文是本人在导师指导下进行的研究工作及取得的研究 成果。尽我所知，除了文中特别加以标注和致谢中所罗列的内容以外，论文中不 包含其他人已经发表或撰写过的研究成果，也不包含为获得北京邮电大学或其他 教育机构的学位或证书而使用过的材料。与我一同工作的同志对本研究所做的任 何贡献均己在论文中作了明确的说明并表示了谢意。 申请学位论文与资料若有不实之处，本人承担一切相关责任。 本人签名： 翌煎 日期： 知吐、午二g- 关于论文使用授权的说明 学位论文作者完全了解北京邮电大学有关保留和使用学位论文的规定，即： 研究生在校攻读学位期间论文工作的知识产权单位属北京邮电大学。学校有权保 留并向国家有关部门或机构送交论文的复印件和磁盘，允许学位论文被查阅和借 阅；学校可以公布学位论文的全部或部分内容，可以允许采用影印、缩印或其它 复制手段保存、汇编学位论文。(保密的学位论文在解密后遵守此规定) 保密论文注释：本学位论文属于保密在一年解密后适用本授权书。非保密论 文注释：本学位论文不属于保密范围，适用本授权书。 本人签名： 至煎 日期： 塑皇：生_=至 导师签名 霉孳． 北京邮电大学学位论文快速图像文档分类的研究 北京邮电大学学位论文 快速图像文档分类的研究 捅要 计算机技术、多媒体技术以及Internet技术的飞速发展产生大量的图像信息。 纸制的图书、报刊杂志在存放上受时间、环境的影响比较严重，人们越来越倾向 于将图书、报刊杂志等资料用图像的形式存储起来，于是数字图书馆出现了。数 字图书馆使人们不出家门即可浏览图书资料，与此同时，如此大量的图像文档使 人们查找起来难度加大了。因此如何有效地、快速地从大规模的图像文档库中查 找出需要的图像文档是目前一个急需解决的重要问题。 目前，文本文档分类研究的比较多。而对于图像文档分类一般是利用OCR 技术先将其识别成文本文档，再利用文本文档的分类方法进行分类。由于分类的 图像文档的数量非常巨大，要处理这样的海量信息速度问题是个关键。现有的图 像文档分类，因为引入了OCR技术，使得复杂度大大增加，耗时比较多，难以 满足快速分类的需要。 本文主要研究脱离OCR技术的图像文档分类技术，以提高系统的运行效率。 为了达到这个目的，具体探讨了如何提取汉字图像的特征、如何提取图像文档的 特征、如何建立图像文档模型以及采用何种相似度等方面的问题。本文主要采用 了笔划密度编码的方法提取汉字图像特征，采用N—Gram模型表示图像文档，在 图像文档分类方法上使用了最邻近分类方法，在相似度计算方面采用了传统的余 弦度量方法。这种方法使图像文档的分类脱离了OCR技术，因而大大提高了系 统的运行效率。尽管分类精度有所降低，但满足了特定场合下的网络图像文档分 类的要求。 本文的内容主要由以下几个方面组成： l、介绍了现有文档分类技术：首先介绍了特征提取方法和文本分类方法， 并对各类方法进行了分析和比较；接下来介绍了几种常用的计算文档间距离的方 法；最后介绍了两种文档的表示方法：空间向量模型方法和N．Gram模型。 2、开发了建立图像文档数据库的两个软件工具：文档一图像转换工具和汉 字图像处理工具。使用这种工具，首先可以将文本文档中的每个汉字转换为图像 形式，使后续的研究可以直接在单个汉字图像上进行，省去了图像文档中汉字切 分的步骤，从而避免了因为汉字切分错误而带来的误差：其次可以方便的将文本 文档转换为图像文档，为创建图像文档数据库提供了方便：最后可以根据自己的 需要对图像文档进行各种处理，例如可以通过程序加入噪声来模拟真实的情况。 3、提出了使用笔划密度编码提取汉字图像特征、N-Gram模型表示文档、使 用最邻近分类方法进行文档分类及采用余弦公式计算文档间距离的快速图像文 北京邮电大学学位论文档分类方法。对系统实现、实验数据进行了描述，对实验数据进行了分析。实验 北京邮电大学学位论文 档分类方法。对系统实现、实验数据进行了描述，对实验数据进行了分析。实验 结果表明这种图像文档分类方法是有效的。 4、最后给出了总结及对后续工作的展望。 关键字 图像文档分类特征提取笔划密度编码图像文档模型N-Gram 模型相似度计算 北京邮电大学学位论文HIGH 北京邮电大学学位论文 HIGH SPEED DOCUMENT IMAGE CLASSIFICATloN ABSTRACT The rapid development of computer,multimedia and 1．ntemet techniques has produced very large amount of image．The book，newspaper and magazine are easily store