基于最优坐标系的表格版面分析

收稿日期:2006-03-15第24卷 第04期计 算 机 仿 真2007年04月文章编号:1006-9348(2007)04-0211-05基于最优坐标系的表格版面分析吕亚军,陈继荣(中国科技大学电子工程与信息科学系,安徽合肥230027)摘要:表格文档在日常生活中运用十分广泛,对这类文档进行计算机自动处理能提高文档处理速度和准确度,具有重要的现实意义。

表格文档版面结构提取是文档信息处理自动化的核心。

由于表格文档图像包含印刷体和手写体字符、图像、污损、噪声和一定的倾斜,在其影响下,正确的提取文档的版面结构是比较困难的。

在总结国内外表格文档版面结构提取方法的基础上,提出了一种基于最优坐标系的版面结构提取方法,该方法与其它方法相比具有很强的抗干扰能力和文档版面定义灵活方便的特点。

关键词:版面分析;表格文档处理;最优坐标系;表格识别中图分类号:TP391 文献标识码:BTab le Layout Ana lysis B ased on O pti m al Coordinates Syste mLU Y a -jun ,CHEN Ji-rong(D ept .o f E le ctron ic Eng .&In form ation Sc ience ,U n i ve rsity o f Sc i ence &T echno logy o f Ch i na ,H e fe iA nhu i 230027,Ch i na)AB STRACT :T ab l e docu m ents are frequently used i n da ily life .A utom at i ca ll y handling th is k i nd of do cu m en ts by compute r can no t on l y save ti m e but a lso offer h i gh accuracy .T he l ayou t structure extraction of the table docu m ents is the ke rne l o f the au to m a tic pro cess i ng o f tab le info r m a ti on .Because the i m ag es o f tab le do cu m en ts al w ays cons ist o f pr i n ted and handw r itten cha ra cte rs ,i m ages ,de fil e s ,no ises and tilts ,it is d ifficu lt to ex tract the l ayou t structure co rrectly .A fter su mm ar izi ng the ex i sting m ethods of lay ou t struc ture ex trac ti on ,t h is pape r presents a ne w m ethod based on opti m al coo rd i na tes sy ste m to ge t the layout struc t u re .T he new m e thod ou tpe rfo r m s the trad itional ones in no ise -res i sting and lay ou t defi n it i on .K EY W ORDS :L ayout ana l y sis ;T able docu m ent processing ;O pti m a l coo rd i na tes system;T ab le recogn ition1 引言表格十分广泛的运用到了日常生活中。

应用范围包括人口普查、银行票据、申请表、定货单、各类报表等。

如何利用计算机高速自动地获取、存储、管理数量巨大的表格信息,减轻人们将表格信息输入到计算机的繁琐工作,这越来越成为人们关注的焦点,并成为计算机模式识别、图像处理领域的研究热点。

因此,对这类文档进行计算机自动处理具有重要的现实意义。

文档处理系统主要由两部分组成即表格文档的版面理解和光学字符识别(OCR )。

O CR 研究起步较早,随着OCR 识别技术的不断发展,小字符集的手写字符识别已经比较成熟。

而对表格文档版面理解的研究直到90年代才得到各国研究者的重视。

目前,表格文档处理系统已经在一些领域得到了应用。

在不同的应用场合,表格的版面结构是不同的。

由于表格种类繁多、版面结构复杂,包含许多文字识别技术不能处理的对象如线条、图形等。

因此,如何将表格中填写的信息从表格的背景信息中分离出来,即表格的版面理解问题,是表格自动化处理的关键。

表格版面结构提取的不足已经成为影响表格自动阅读推广应用的主要因素。

随着表格自动处理范围的不断扩大,对信息处理系统提出了更高的要求。

例如对于复印的表格、大量刊登在报纸上的调查问卷表、选票等表格的处理,由于表格图像畸变严重、而且噪声较多,对这类表格的版面分析问题一直没有得到很好的解决。

2 表格处理系统的组成2.1表格的版面结构表格图像由定域和变域两部分组成,其中定域为印刷在表格上的固定信息,如边框、线条、图形、条码、文字说明、栏)211)目名等等。

变域是要求用户填写数据的区域,通常这些区域可能填写字符、数字或者特殊符号,也可能是照片印章等图像。

将填写信息的表格称为实表,而没有填写信息的表格称为空表。

表格版面的结构包括几何结构和逻辑结构,文档几何结构是指各版面基元的大小以及它在文档版面中的位置。

表格文档的逻辑结构是定义版面基元的属性,及各基元之间的逻辑结构关系。

通过对不同类别的表格文档分析,可以归纳出表格文档的共同特征:1)同一类表格具有相同的版面结构;2)对于表格,需要处理的信息仅占表格信息的一小部分,通常为用户填写的信息(变域内的信息);3)矩形块是构成表格几何结构的最基本单位,用户填写信息分布在表格版面的若干个矩形子块中,各矩形块的几何位置没有任何重叠或交叉;4)需要计算机识别的信息包括己知的印刷体、手写文本或手写字符,另外,还有部分图像(如照片、签名及印章等)需要计算机保存;5)水平线和垂直线在表格文档中相当普遍,矩形子块间通常由水平线和垂直线分隔开;6)文档从结构上可分为几何结构和逻辑结构。

对于表格文档来说,其几何结构和逻辑结构之间存在一一对应关系。

2.2表格处理系统表格处理的任务是自动提取表格中的填写信息。

根据表格的版面特点,表格处理系统可分为表格学习过程和表格处理过程两部分。

在表格处理前,首先进行表格学习,表格学习的目的是提取出表格版面的相关知识,获得待处理表格版面的先验知识。

首先提取出表格的版面特征,获取定位信息,然后根据定位信息获得每一个包含填写信息的矩形子块基元的位置和大小。

通过定义将表格的几何结构映射到逻辑结构,并将表格的几何结构和逻辑结构的先验知识存放在表格知识库中。

在表格处理时,只需要分析出表格的几何结构,就可以根据表格的几何结构和逻辑结构之间的对应关系得到逻辑结构,实现表格的版面理解。

3表格的定位表格定位在表格的自动化处理中扮演着一个非常重要的角色,它决定了提取填写信息子图像的准确度。

同一种表格中,己填写信息的表格(实表)与未填入信息的表格(空表)具有较大的差异,同时,扫描图像存在误差与形变,使得每一张表格图像都存在较大的差异。

所以要将实表图像与空表图像按象素点对齐,以提取填入信息具有极大的难度。

实际的表格自动处理中,实表图像往往存在噪声、污损等情况,只能通过添加专门的定位标记或者选用表格版面中一些不容易受到噪声干扰的定位信息来定位填写信息。

在表格的印刷误差、图像扫描设备机械误差、光学误差的影响下,表格图像不可避免的会产生水平方向和垂直方向上的畸变。

而这种非线形畸变是难以消除的。

根据图像质量的差异,表格定位可以划分为刚性匹配和柔性匹配两种。

1)刚性匹配刚性匹配仅适合于畸变很小的情况。

它利用表格版面的局部定位信息对填写区域进行定位。

常见的方法有两点定位法,四角定位法,矩形定位法等。

刚性匹配的缺点是对表格纸张的质量要求高,对用户的填写要求也高,而且匹配精度较低,其优点是计算机处理简单,早期的表格处理常采用刚性匹配法。

2)柔性匹配实际的表格在水平方向或垂直方向存在畸变,特别是对于纸张较薄表格图像,畸变现象尤为严重,这时可采用柔性匹配的方法,柔性匹配利用多个分布于表格版面中的定位信息,将图像划分为多个区域,在每一小区域内认为图像不存在畸变。

针对每一个小区域内的填写区域的位置,用一对参数v x,v y对小区域中的填写信息进行匹配。

柔性匹配大大的减小了畸变的影响。

目前表格版面分析的研究热点是利用版面定位信息和柔性匹配法实现表格结构的提取。

3.1表格定位的要求表格的定位是表格版面分析的关键。

表格定位看似简单,但由于表格的图像质量较差,实现起来却不容易。

对表格定位系统有以下要求:1)定位准确性表格图像中,定位的准确性包括提取定位信息的准确性和提取填写信息区域的准确性。

表格实际处理中,表格图像存在倾斜、畸变、污损、噪声等情况,会影响定位信息提取的准确性。

因此要选用受这些因素影响小的背景信息作为定位标记。

在保证定位信息提取准确性后,提取填写区域准确性主要受图像畸变的影响。

通常采用基于柔性匹配的表格定位系统消除图像的畸变影响。

2)稳定性表格定位的稳定性是指在表格图像质量不好(如包含大量的污损、噪声)的情况下,仍然能够定位填写信息的能力。

3)通用性目前,许多的表格处理系统都是针对特定版面结构的表格,当表格的版面结构变化时,需要重新设计表格系统软件,因此通用性比较差。

定位系统的通用性是指采用该定位方法的约束条件尽可能的小,具有处理多种不同版面结构表格的能力。

4)计算复杂性计算复杂性是定位系统的一个重要指标,因为表格自动处理的实时性要求较高,所以应该尽可能的降低计算的复杂性,以提高表格的处理速度。

3.2常用表格定位方法简介在表格的版面分析中,表格的定位是提取填写信息图像块的基础,它是表格处理系统最关键的技术。

表格定位方法)212 )可分为两大类:一类是定位标记法,该方法在表格版面上添加定位标记实现对填写区域的几何定位;另外一类是版面信息定位法,该方法利用表格版面的背景信息作为定位标记。

版面信息定位法又分为局部信息定位法和全局信息定位法。

添加定位标记是目前表格处理中最常见的一种方法。

该方法具有计算机处理方便的特点,但是通用性差,浪费版面空间,版面设计的规则复杂。