版式电子文档表格自动检测与性能评价.ppt

Study on Virtual Bus Technologies 版式电子文档表格自动检测与性能评估 房婧，高良才，仇睿恒，汤帜 2012-11-04 研究目的(1/2) 移动阅读 研究目的(2/2) 问题与挑战（1） 现有方法多处理图像和网页格式的文档 不支持中文版式文档的处理 页面布局和表格自身布局的复杂性 问题与挑战（2） 缺少公开可用的数据集 缺少合理的评估准则 人工评估效率低且不易复现 研究方法 表格定位 针对版式文档的特点，提出一种表格线分割符和表格文本布局特征相结合的方法 效果评估 建立一套自动评估系统，提供免费下载* 构建数据集 标注基准 细粒度评估准则 * /marmot_data.htm 表格定位(1/6) 页面布局（分栏） 表格既可能位于单栏内，也可能贯穿多栏 单页页面上的前景空白*和多页文档的分栏位置相似性 表格线检测 解析图形流 绘制指令(m，l，re，c， v， y)与坐标参数 直线、矩形拆分，坐标拼接和聚类——直线段 裁剪区缩小范围 Breuel TM. Two geometric algorithms for layout analysis. DAS, 2002, Princeton, USA, 188-199 表格定位(2/6) 解析文字流 字符（文本、最小包围矩形、字体、坐标等） 文字行 竖直方向包围矩形的交叠，字符间距 表格