基于文字特征的文档碎纸片半自动拼接

ｓｔｉｔｃｈｉｎｇ；ｐａ仕锄ｒｃｃｏ辨ｉｔｉｏｎ
摘要：分析了基于几何特征的碎纸片自动拼接方法的缺点，研究了碎纸片内文字行特征，表格特征特点，以及碎纸片内文字行
特征、表格线特征的获取方法，提出了基于碎片文字行特征或表格特征的碎片半自动拼接算法。根据算法研制了Ｃ语言计算机
程序，用该程序对一实际例子进行了拼接试验，试验结果表明该方法效果良好。
（２）将每个选定方向设置为新坐标系的ｘ坐标方向．求原 来像素点在新坐标系统下的整数坐标，坐标变换后新坐标如 果不是整数，则接４舍５入法取值．点在新坐标系下只改变坐
２．２文字图像个数和文字行行高和的计算
如前所述，碎片内文字图像个数和文字行行高和的计算
万方数据
罗智中：基于文字特征的文档碎纸片半自动拼接 标值，其颜色属性仍旧不变。 （３）求新坐标系下碎纸片边缘的最高点和最低点，从最低 点开始给每行从ｌ开始编号，判断每行是否有连续５点为红 点，如果有，则从此点开始统计连续白点不超过３的像素点的 个数，将它看作为每行表格线的宽度，如果不存在连续５点为 红点，则将该行的表格线宽度设置为Ｏ。 （４）从第１行开始．每ｍ行内选取最长的表格线宽度作为 实际表格线长度，最大宽度对应行的位置为实际表格线位置， 此步骤目的是防止对同一表格线进行重复计算。因为表格线 有一定像素高度，如果统计每条像素行的表格线宽度．那么表 格线内的像素行都会被统计，这个结果是不希望的，显然ｍ应 该大于表格线像素高度。 （５）求每个方向的所有实际表格线宽度和。 （６）选表格线宽度和最大的那个方向作为表格线方向． 为防止噪声点的影响，求取表格线起点时应先判断该点 是否是红点．并且其后是否有连续４个红点，如果有，则认为该 点为表格线起点，如果该点为红点但后续连续４点不全是红 点，则认为该红点是噪声点或者文字点，这些红点均不应统计 为表格线上点。 应注意表格线内部点因ＲＧＢ颜色值相差不大，梯度算于 二值化后内部点一般变为白点．见图３（ａ）。二值化后表格线 边界点理论上应为红点．但因梯度阈值选取不恰当．某些表格 边界点会变为白点。因此不但表格线内红点不连续，其边界 上的红点一般也不连续，不过边界上连续３点不是红点的可能 性较小。可用此性质来判断某点是否是表格线结束点，也即 如果某白点前面为表格线点．其后连续２点也为白点，则认为 表格线到该点结束。 图３（ｂ）中绿色线为该算法获取的表格线，从图３可见．算 法所得到的表格线与实际表格线非常吻合。
像素点在新坐标系统下的整数坐标，坐标变换后新坐标如果
不是整数．则按４舍５入法取值，点在新坐标系下只改变坐标 值．其颜色属性仍旧不变。 （３）求新坐标系下碎纸片边缘的最高点和最低点坐标，从 最低点开始给每行（具有相同ｙ坐标）从ｌ开始编号．计算每行 的白点个数、红点个数、宽度（像素个数）。 （４）根据每行的红点个数、白点个数及碎片宽度计算该方
阁ｌ文字罔像的预处理
（”戽咖．表示从碎片最低点开始从下往上扫描。
（２）ｔ一抖ｌ，判断扫Ⅳ否，如果大于，结束．否则转（３）。
（１）以碎片内某点作为坐标原点．水平方向作为Ⅳ坐标轴 方向，垂直方向作为ｙ坐标轴方向．在【一９０。，９０１范围内等角 取６０个方向。 （２）将每个选定方向作为新坐标系的为Ｊ轴方向．求原来
Ａｂｓｔｒａｃｔ：Ｔｈｉｓ
ｃｏｒｎｐ咖ｐｒ０罂撇ｓ
ｅｘｐ嘶ｍ∞ｔ
ｏｆ ｓｃｍｐｐｅｄ
ｐ印ｃｒ
ａｒｃ
ｄｃＶｅｌｏｐｅｄ ａｃｃｏｒｄｉｎｇ ｔ０ ｔｈｉｓ ａｌｇｏｒｉｔｈｒｎ．Ｔｈｅｙ ａ心ａｐｐｌｉｅｄ ｉｎ
ａ
ｓｔｉｔｃｈｉｎｇ
ｆｏｌ。ｐｉｅｃｅｓ ｏｆ ｓｃｍｐｐｃｄ ｐａｐ％
Ｔｈｅ ｒｅｓｕｌｔ ｓｈｏｗｓ廿１ａｔ ｔｌｌｉｓ ｓｅｎｌｉ－ａｕ幻ｓｔｉｔｃｈｉＩｌｇ ｍｅｔｈｏｄ ｉｓ ｅｆｆ酏ｔｉＶｅ． Ｋｅｙ ｗｏｒｄｓ：ｓｔｉｔｃｈｉｌ唱ｏｆ ｓｃｍｐｐｅｄ ｐａｐｃｒ；ｉｍａｇｅ
小的目标方向。
３表格线特征的获取
一般碎片内表格线的方向与行文字行方向平行，且也只 沿一个方向分布，可采用类似于文字行方向扫描方法获取袭 格线方向，算法过程如下： （１）以碎片内某点为原点，水平方向为ｘ坐标轴方向．垂直 （ｃ）方向有倾斜的文字行行高 （ｄ）实际文字行行高
囤２文字行方向识别
方向为ｙ坐标轴方向．在【一９０。，９０。】范围内等角取６０个方向。
据人脑进一步分析结果舍弃或拼接待选碎片。这种半自动拼 接方法综合利用了计算机高速计算能力以及人的文字图像识
别和理解能力，拼接效率比纯人工高，拼接准确性也好于纯计 算机拼接法。本文将详细研究这种基于文字特征、表格特征
的碎片半自动拼接方法。
２文字行特征的获取
２．１文字行方向的确定
拼接碎片前需对碎片内图像进行二值化处理，一般利用 ｓｏｂｅｌ梯度算子或其他梯度算子对碎片图像进行处理，以获取 文字边界，进而获取碎片内文字行方向、高度、间距等文字行
ｏｎ
３３００１３，Ｃｉｎａ
ＬＵｏ Ｚｈｉｚｈｏｎｇ．Ｓｅｍｉ—ａｕｔ０ ｓ６ｔｃｈｉｎｇ ｏｆ ｓｃｒａｐｐｅｄ ｐａｐｅｒ ｂａｓｅｄ
ｃｈａｒａｃｔｅｒ ｃｈａｒａｃｔｅｒｉｓＵｃ．Ｃｏｍｐｕｔｅｒ
Ｅｎ西ｎｅｅｒｉⅡｇ
ａｎｄ
ＡｐｐＨｃａ－
ｄｏｎｓ，２０１２，铝（５）：２０７・２ｌＯ． ｐａｐｅｒ锄ａｌｙｚｅｓ ｄ锄耐ｔｓ ｏｆ ｃｌａｓｓｉｃａｌｓｔｉｔｃｈｉｎｇ ｍｅｔｈｏｄ ｂ勰ｃｄ ｏｎ ｅｄｇｅ ｇｅｏｍｅ时ｃｈａｒａｃ硎ｓｔｉｃ ｏｆ ｓｃｍｌ）ｐｃｄ ｐ印盯，ｓｔｕｄｉｅｓ ｃｈ扰ｌｃｔ耐ｓｔｉｃ ｏｆ ｃｈａｒａｃｔｃｒ ｒｏｗ柚ｄ ｔａｂｌｅ酣ｄ ｉｎ ｓｃｒａｐｐｅｄ ｐａｐ％ｉｎｖｅｓｔ追ａｔｅｓ ｎｌｅｉｒ ａｃｑｕｉｓｉｔｉ∞ｍｅｔｌｌｏｄ，锄ｄ ｐｒｏｐｏｓｅｓ ａ ｓ啪ｉ ａｍｏ ｓｔｉｔｃｈ． ｆｏｒ ｓ锄ｉ－ａｕｔｏ ｓｔｉｔｃｈｉｎｇ ｉｎｇ ｍｅｔｈｏｄ ｆ．ｏｒ ｓｃｍｐｐｅｄ ｐａｐｅｒ ｂ船ｅｄ ｏｎ ｃｈａｍｃｔｅｒ’ｒｏｗ ａｎｄ ｔａｂｌｅ ｇｒｉｄ．ＩＩｌ ｔｌｌｅ∞ｄ＇Ｃ ｌａｎｇ岫ｇｅ
英文单词图像分割成宽度与高度近似的类汉字图像，同样如
果汉字图像之间靠得非常紧密，以至于行内汉字之间红点互
相邻接，也需删除汉字图像之问过多红点，见图ｌ（ｂ）。 碎片内文字图像经上述预处理后，再采用下述扫描算法 可获取碎片内的文字行方向：
利用碎片内文字行特征或表格特征拼接形状相似的碎纸片理
论上是可行的。 基金项日：江西省教育厅２０１０年科学技术研究项目（Ｎｏ．ＧＪＪｌ０４４７）。
为提高分析的准确性，假设未碎纸张的文字行方向沿水 平方向，文字为汉字，汉字与汉字之间有间隔，汉字宽度与高 度比值ｌ，３￣３。这意味着每个文字图像与其他文字图像之间 有空白点，文字图像宽度与高度的比值在１／３—３之间，如果碎
高、文字行的Ｉ．日Ｊ距等信息，拼接碎片时如利用这些信息进行拼 接，其拼接效率无疑比单纯利用边界几何特征方法要好些。 由于大多数文字文档的文字行方向和表格线方向平行且
国，印“研凸∥珂ＰＰ砌ｇ口玎ｄ卸阮口砌肿计算机工程与应用
２０１２，４８（５）
２０７
基于文字特征的文档碎纸片半自动拼接
罗智中
ＬＵＯ Ｚｈｉｚｈｏｎｇ
华东交通大学机电工程学院，南昌３３００１３
Ｓｃｈｏｏｌ ｏｆＭｅｃｈａｎｉｃａｌ ａｎｄ ＥｌｅｃｔｒｉｃａＩ
Ｅｎｇｉｎｅｅ血ｇ，Ｅ觞ｔ Ｃｈｉｍ Ｊｉ∞ｔｏｎｇ Ｕ痂Ｖｅ瑙ｉ劬Ｎ柚ｃｈ锄ｇ
裂，再将碎纸片重叠起来，再继续撕裂，这样反复下去，直到得 到满意大小的碎纸片为止。这种撕裂过程会产生很多形状非 常相似的碎纸片，拼接时如果只利用碎片的边界特征，拼接效 果并不理想。 对这类边缘相似的碎纸片的拼接，理想的计算机拼接过 程应与人工拼接过程类似，即拼接时不但要考虑待拼接碎纸
拼接碎片，并根据匹配程度按顺序显示待选碎片，操作员再根
片边缘是否匹配，还要判断碎片内的字迹断线或碎片内的文
字内容是否匹配，然而由于理论和技术的限制，让计算机具备 类似人那种识别碎片边缘的字迹断线、以及理解碎片内文字 图像含义的智能几乎不太可能。但是利用现有的技术，完全 可以获取碎片文字所在行的几何特征信息，比如文字行的行
特征，梯度大于给定阈值的点取红色，否则取白色，见图ｌ（ａ）。
存在数组肼晒Ｉｒ（七）．（扣ｌ，２．…．Ⅳ）内．每行的宅白点数保存
在数组６缸ｎ女ｃｈｒ（々），（扣１，２．…，Ⅳ）内，总的文字图像个数变
量设为ｏｄ内ｌ研．文字行高度和变量为ｃ＾ａ觑劬，，夸它们的
（ａ）二值化碎片图像 （ｂ）西文单词图像预处理
初值为Ｏ．即令矾ｄ恤ｍ卜０．西口触鲫卜０，则文字图像个数
和文字行高和可按下述算法计算：
宽度与高度啦：一七．）的比值应在｛～３之问．不在此比值范围的
）
图像不应统计。
（８）判断卅＞０否，大于则ｃ异ｎ＾鼬肿卜ｃ帕内ｌｍ＋ｍ，ｃ＾口ｒ如．
瞎由卜西口般动，＋岛一而，转（９）．如果ｍ等于０．不累加文字总
个数和文字行高度，也转（９），显然ｔ，＾，行位置就是文字行的 ｙ坐标位置。 （９）ｔ＋．ｔ，，寻找下一个序号为女，的空白行，ｔ、应该小于 ．Ｅ，，同时第ｔ，＋ｌ行不是空白点行．如果存在ｔ，，则七÷＿＾，一ｌ， 转（２），否则结束。 由于篇幅限制．未给出步骤（５）中的“寻找下一个空白行 号膏：”，步骤（７）中“计算行七，，七：内的文字图像的个数研”，以 及步骤（９）中“寻找下一个序号为ｔ，的空白行”算法具体过程， 这些过程实现相对简单．读者很容易自行设计相应算法。 计算出文字图像个数总数ｃ＾ｎ，踟ｍ和文字行高度和
单一，如果碎片内的文字行或表格在碎片边缘断裂，那么与它
相邻的碎纸片在边缘处一定有相同高度、相同间距的文字行 或表格，凭此特征可以很容易地从形状相似的多碎片中挑选 出相邻碎片。因文字行或表格线的高度特征、间距特征的识
别比字迹断线识别和文字图像的理解实现起来要容易得多，
片内有西文单词，应将英文单词图像拆分成类汉字图像，即将
者的行高和比后者的行高和大。