信息资源数字化文本型数字图像OCR识别准确定影响因素及提高策略研究

信息资源数字化文本型数字图像OCR识别准确定影响因素及提高策略研究 \ 乙‘ 罩暑昵 幽 . 苓硼‘一 :. 天 .. . ’一? 暑罩暑 一摹 , 嚣盖.::, ; . .... 弭. 。。。。’’‘。‘。‘。。‘。。。’‘。’。。。‘。。。。。。。。。。。。。。。。。。。。。‘。。。’‘。。。。 ‘。‘。。。’‘学位论文原创性声明 本人郑重声明:所呈交的学位论文,是本人在导师的指导下,独立进行研 究所取得的成果。除文中已经注明引用的内容外,本论文不包含任何其他个 人 或集体已经发 表 关于同志近三年现实表现材料材料类招标技术评分表图表与交易pdf视力表打印pdf用图表说话 pdf 或撰写过的科研成果。对本文的研究作出重要贡献的个人和 集 体,均已在文中以明确方式标明。本声明的法律责任由本人承担。 / 学位论文作者:郭军 日期:?年月日 学位论文使用授权声明 本人在导师指导下完成的论文及相关的职务作品,知识产权归属郑州大学。 根据郑州大学有关保留、使用学位论文的规定,同意学校保留或向国家有关部 门或机构送交论文的复印件和电子版,允许论文被查阅和借阅;本人授权郑州 大学可以将本学位论文的全部或部分编入有关数据库进行检索,可以采用影印、 缩印或者其他复制手段保存论文和汇编本学位论文。本人离校后发表、使用学 位论文或与该学位论文直接相关的学术论文或成果时,第一署名单位仍然为郑 州大学。保密论文在解密后应遵守此规定。 学位论文作者:郭军 日期:扣年月日,?一 种右骠数孩冒骂勘囤专骠硪章茸翠晚裂眙磁?:匦器 。刨肇华篾鲷 々晚的‘辅哥业鲷翠型梨田群‘崭冒些幂晕掣琶拉鲷茸章鞑‘荔冒椠妻向 髻勋舅掣群翠髓裂眙浓?辫固专壕硪卓茸朝飘鞑将单上帚篱孵蕲显‘丁;垡 髯驹桌髯翠。辫铷兽掣篱翠毁裂略磁毛勘国右臻磋卓茸椠辜三髻。揖髟 堡弓剪取鎏圉蜘缮喳堂一明瑁髓歌略磁?辫固右骠瑶卓茸轻碍蜘妙向朝眸 日 粤雨眙汝?士霉。擗彤肇图哟猪翠魄裂暗磁?动固专骠蔼章茸紧辜二够 。娶例上粤轼掣蜂阿瞠餮早延拉益千鲷出当组鞑‘晕掣延抱辟朝单日娶擗‘百 巢咄群颦鹭襄驹辜茸毖彤‘髟烬旱垒椠妻一髻:鞋辜少同蹲椠髟洋嘉茸 。丁娶祺朝珈搿掣鬻珂胖皙 相肇图蛐缮翠魄撤略磁?觐国右骠藤卓茸七裙划少三暮暗汝章茸?瞠靛辅 勘国专骠、?雨动国专骠鞑上翠碑草重琳枣茸‘掣姑朝勤工略浓?审矾专骠 颤涣舀粤士焉。铷鬻犁群明窜啦教略浓掣篱上印哥‘丁啦霉明肇图蛐缮群牲 号朝翠毁拟暗磁?动固专骠瑶章茸盼的翠嘉茸‘詈到。肇圈牲号朗啪缮搿蒙 翠班致喈浓鞑号菊乜七旨羽少鸯上冉辫畴瓤暗髟‘酶凹暗磁?士霉华具辜茸 。妊智砍狲材别少圈朝睁日粤雨朝孑目髯谢辫勘工甄鎏琳期刨‘髟衅搿爵碑 阜妙一鲷审融骤勘工观专骠颤蜞冒粤鬃勤鞘嚣动工略磁?琳士邵巽辜茸 。辣虹垂喜妙一鲷劐笱?茸希蕾勘工 啦嚣椠业承菩驺智禾种专骠丑哿瞽略讯晚戥?椠图‘掣萼明瑕 瞽覃一 窜赃款并‘轴茸四仁勤工矶右骠颤溪茸身翠腊敞?。材蜊少励爵略磁章茸? 瞠酲簿朝觐囤专璩、?雨明魏国专磉、过雏朝芬扭孵群专磉紧髟相卫酶回粤 雨 并‘髟衅私爵衅阜少一朝勘工啦嚣瞽‘暗磁?朝审勤工种专鞣颤龋冒马 蚤 旦皂翠手 麟 益噼 .. 够 留‘.町 沱。? 僻:触角 ‘朋 . ‘锄它.邮‘. 一 鹏?噬鼹 邓 ?‘庇. 汜 ? 它州 . 盔聘日 聘嘲它 .邓。 钿. 回 芭 工珊 谐【 ,. 它 耳王 .它疵 邓。.硼疆仉珏哪 盟叩唧 ‘孤弘 朋:. .唧‘..;. 嘧 它. . 圯. 骆邓: 暑饥唧.. 耻。氛..研 删言甜 曰 .聘卸‘庇?噬册.碉 . ?. ? 它田 娆球, ;.幡 孵 仇 北邮 即‘, .. , 觚 ,??】 平 气 。翱 留?,左肌吧.培 嘎 .. 挪 ?聊够暑. .陀.%雏。“钮 屯‘蝠强?啦啼??删 它 唧 哪?,’ 留;嚆?钟饥’麒 .. , 平。触 .’;饧; 平。觚 .. ?它 它辐? 琊.工 .. . ’,,酃 ,平 铒?田 弛订 向唧. 】?啷】. 血留? 左啪弛哪它‘. 州暑 平。凰 邓 ‘耶.它..‘. 珥 钿孵;甜埘 翱 瑚田‘弛暑 ‘.暑. 暑:蛔 .‘ 跏‘肱 . 平 眼琊它‘,呻??.针 它 上甘上日 工工 哥?陴蛘朝晕桶动囤专骠‘。 ’ 哥’嚣暾暮码脚暂圈专璩‘‘ ‘ 哥蟊酒氍氟动固专骠‘ ‘ 矽?茸晷明材滩醯簿魏固专臻‘ 。 ?一稿蜘蕊簿朝辫固专璩 。 ’嚣华茸翦朝?辨群舌骠’‘‘??军穆明鞣霉辨 醉’‘‘?茸辩明?辨群右骠’。?斟器脚?辨右壕‘’??一碍蜘?雨明豺国右骠’珂罄辑举朝爿捌砒粝争’‘’??翦融嗽襞朝茸捌璇辨 ’。‘??薯驺豁敝朝茸捌张斯‘。‘??酱胖霉身辅捌砒黪‘。?攀囡蜘缮明婴华喜骖魏张粝弹茸锈蜜’’一设淋馥砺明滟掰‘‘。?”?设斟卫撩‘’?肇圈蛐缮朝堡华喜磐稗茸髯蓟’。?一碍捌?避弩鞑辨士骠‘地髟肇圈蛐缮窜靴拟喈澈辫国右磉藤牢茸??掣蜷晦瞠翼华琶抱、荤掣琶抱适千 ‘??承甥延搬 髀’?’晕哇群箭骚承。 一?一??一?一?睾台 誊 目 誊目??.. ?.. ..两款常用中文软件的性能对比分析实验?.. ...实验素材?. ...实验方法?. ...实验 流程 快递问题件怎么处理流程河南自建厂房流程下载关于规范招聘需求审批流程制作流程表下载邮件下载流程设计 ?. ...实验结果统计 ..实验总结?软件方面文本型数字图像识别准确度影响因素分析? ...对形近字符的识别率? ...对噪声的抗干扰能力? ...对标点符号的识别率? ...数字图像预处理功能? ...支持识别的项目内容? ...用户界面友好性??. ...用户自学习功能??. 文本型数字图像识别准确度提高策略探讨?....??. .数字扫描对象的获取阶段. ..原始文献质量方面 ...尽量保持原始文献的装订形式?. ...修复或改善纸张的物理状况..原始文献缩微胶片质量方面. ...选用聚酯片基 ...严格控制缩微胶片的冲洗质量?. ...保持缩微胶片表面的洁净??.. ...修复缩微胶片的完好性. .数字图像的生产阶段?.. ..数字扫描仪的选择依据?.. 目录 ...图像传感器类型??. ...扫描分辨率.. ...对被扫描对象的适应能力??.. ...易操作性?. ..正确使用数字扫描仪??. ...设置合适的扫描参数? ...采用恰当的使用方法? .数字图像的处理阶段?.. ..选用商业化的数字图像处理软件..加强图像增强处理工作?.. ...合理调整图像的几何位置??.. ...有效抑制图像中的噪声. ...合理确定二值化阑值? ...适度锐化数字图像?.. . 文本识别阶段??. .。提高对形近字符的识别率? ..增强“抗噪”能力 ..提高对标点符号的识别率? ..丰富并完善图像预处理功能. ..扩展支持识别的项目内容? ..增强用户界面友好性??. ..增设并完善用户自学习功能. 总结.... 参考文献??.?一??.. 致谢..?.....??..??.?..? 个人简介??.?.....??....?..?..... 图表目录 图表目录 图.信息资源数字化中识别工作流程图 图.实验所用扫描样张??.. 图.实验流程图?.. 图.分辨率对图像质量的影响.. 表.各扫描模式适用对象对照.. 表.综合识别率及拒绝识别情况统计表? 表.单个样张识别率和各样张中导致错误识别的各因素所占比例统计表.. 表. 与的主要性能对比 表. 与的主要性能对比. 表.文献类型与数字转换设备对应表部分表.缩微文献类型与数字转换设备 对应表部分.. 表.扫描模式适用的扫描对象与最小分辨率建议?. 表.印刷型文本信息资源数字扫描质量等级描述与值对应表 引言 引言 .选题缘起和意义 信息资源数字化是一项将纸质、金帛等传统载体信息转化为数字化载体信 息的工作。在大规模数字化项目中,通常采用数字扫描和数字拍照两种方式 来 实现这一信息载体的转换,进而生成数字图像。常见的诸如、等格式 的数字图像能够满足用户基本的查阅、传播文献信息的需求。但是,相较于、 等格式的文档信息来说,数字图像不便于编辑,进而也就不便于对其进 行深度加工。信息资源数字化工作的最终目的,是为了向用户提供全面、快 捷 的数字化产品和服务。为满足用户对文献信息利用的深层次需求,有些数字化 项目要求能够对数字图像进行全文索引、多途径检索、随意复制等操作。基于 此,将数字图像转换为易于编辑、深加工的诸如、等格式的文件信 息显得尤为重要。在实现这种转换方面,信息资源数字化项目人员大多选择 ,光学字符识别这柄利器。 这一概念最早于年由德国科学家提出?。随后,美国科 学家描述了利用光学技术对文字进行识别的概念模型,但这个模型直到 计算机的诞生才进入实际应用。伴随着计算机和扫描设备性能的迅速提升与价 格的大幅度下降,识别的应用领域得以不断拓展,性能也在逐步完善。信 息资源数字化工作中的识别,其原理简单来说就是利用光学技术对文字和 字符信息进行扫描识别,并将其转化为计算机内码,进而按照要求输出相应格 式的文档信息,其工作流程如图.所示。识别在信息资源数字化工作中 应用时,其准确度一直是人们关注的焦点,因为精确识别是保证数字化产 品质量进而为整项工作提供用户保障的一个重要环节。 数字扫描或 数字图像预 字符特 原始 人工 文档 数字拍照 处理 征匹配 文献 校正 输出 图.信息资源数字化中识别工作流程图 信息资源数字化工作中的识别,是整项工作的一个有机组成部分,其 【/. ,,: 引言 生命周期可以分为数字扫描对象的获取、数字图像的生产、数字图像的处理 和 文本识别等四个阶段。明确信息资源数字化识别生命周期各阶段中 对识别准确度的各种影响因素,并提出具有针对性的识别准确度提高策略, 能 够为信息资源数字化项目人员在规避影响识别准确度的因素以及采取相应 的识别准确度提高措施方面提供参考,进而为向用户提供准确而方便快捷 的信息资源数字化服务提供有效保障。 目前,信息资源数字化项目主要是对二维平面介质型原始文献资料进行数 字扫描数字扫描。康奈尔大学图书馆把二维平面介质型文献资料区分为以下 五 种类型‘幻: 印刷型文本。特征是字符或线条边缘清晰,没有色调变化,例如以文字和 简单线条为内容的书刊。 手稿。特征是线条边缘不够清晰,为人工手写或虽然是由机器印制,但其 。 线条缺乏相应的清晰边缘,例如书信、素描等。 半色调性信息资源。指以点阵或线阵形式呈现的图形或照片,其尺寸可以 有所变化但是排列及分布具有规则性,并常会有一定的角度,例如一些绘画 艺 术品、工程制图等。 连续色调性信息资源。特征是色调呈现平滑、平稳的变化,例如各种彩色 照片、水彩画、一些色调连续变化的精细艺术图形等。 混合型信息资源。指具备上述两种或以上特征的信息资源,例如带有插图 的图书。 本文所讨论的数字图像,是指由印刷型文本经数字扫描所生成的数字图像 中除去图、表之外的纯文本部分,文中称之为“文本型数字图像。 .相关研究综述 从目前国内外已有研究成果来看,与本文研究内容十分切题的资料不多。 在已有的研究文献中,对信息资源数字化生产流程以及对在各个具体应用领 域 识别的研究资料与本课题比较相关,下面是国内外相关研究综述: 一、理论层面相关研究综述 臧国全.文本数字化图像识别的准确度测度实验与提高【】.图书情报知识,: 吲 . .. .//...////. 引言 一国外部分 .美国学者 .于年明确提出需对数字化产品进行质量调 控,并对调控过程进行了探讨。 .年,欧盟文化与科学信息资源数字化部长级网络,第作 组构建了一个针对生产过程管理的企业模型,为专门从事信息资源数字化工 作 的企业以及图书情报机构在信息资源数字化工作过程管理方面提供了理论 依 据。 .年,美国田纳西州大学图书馆数字图书馆中心 ’在数字化标准与生产流程方面做出了 研究,对数字化过程中图像扫描标准以及数字图像色彩标准进行探讨。 .年,英国数字化技术咨询服务公司数字化生产所需的软、 硬件性能进行了详细探讨,为信息资源数字化工作所需的工具设备在 规范 编程规范下载gsp规范下载钢格栅规范下载警徽规范下载建设厅规范下载 化 方 面做出了指导。 .年月,美国政府出版局?.. 伍, 编制了数字化生产质量控制手册.,详细规范了数字化生产所需的设备标准、 数字化图像的格式标准以及质量控制标准。 .等人在专著《数字信息的风险管理:文件 .年, 格式调查》中研究了各种数字文件格式及压缩 方案 气瓶 现场处置方案 .pdf气瓶 现场处置方案 .doc见习基地管理方案.doc关于群访事件的化解方案建筑工地扬尘治理专项方案下载 ,为信息资源数字化工作 在 文件格式的选择方面提供了理论依据。 .年,美国国会图书馆 ,对原始文献的数 字化图象标准做出了深入研究,制定出数字图像格式标准和质量控制标准, 并 列举出了制订数字图象格式现行标准的组织。 ’ .年,德克萨斯州立大学图书馆的数字化中一? 在数字化生产过程中的扫描、识别、数字化产品的质量控 制等方面进行了深入研究。 .年德国科学家在全球范围内首次提出 ,光学字符识别这一概念。随后,美国科学家描 述了利用光学技术对文字进行识别的概念模型。二者的理念成为点燃如今势 如 燎原的研究的星星之火。 .在年月号召开的主体为先进技术与研究的数字图书馆欧洲 会议上,《提高古典濒危版本文献识别准确度》一文中介绍了一种服务于 引言 古希腊濒危版本文献数字图书馆识别工作的工作流程,文章重点讨论了一 种适用于基于相同图像的多种输出的渐进多序列比对方法。文章指出,虽 然目前流行的系统在经过合适的训练之后能够胜任识别世纪和世纪 文献版本里的希腊文字,但是通过识别后控步骤仍然能够进一步提高识别 准确度。 .年,.在其刊登在《数字图书馆杂志》上的《如何才能获 得好的一分析并提高大型历史报纸数字化项目中准确度》一文中,详细 地介绍了由澳大利亚国家图书馆开展的报纸数字化项目工作。该项目旨在鉴定 和测试提高大规模报纸数字化项目中的准确度的解决方案。文章对 软件在报纸资料识别时的表现、影响识别准确度的因素、识别准确度的测 算方法、提高识别准确度的方法,以及被认为切实可行的用于大规模文本数字 化项目的具体解决方案的测试方法和结果等方面的技术发展水平作出了概述。 .年月,第三届青年科学家国际会议在乌克兰召开,会上《为提 . 高识别准确度的图像预处理》一文指出,数码相机在图像获取方面,虽然 具有设备方面、不直接接触原始文献、快速、灵活、机动等优势,但是在 识别时利用数码相机获取数字图像却受到例如几何扭曲等诸多限制。该文强调 在实施识别之前一定要进行图像预处理,而且通过利用 .软 件作为后台识别工具进行的一些实验,证明了图像预处理对提高识别准确 度的重要性。 二国内部分 .年,科技部科技基础性工作专项资金重大项目一“我国数字图书馆 标准规范建设的子项目“数字资源加工标准规范与操作指南,在《数字资源 加工标准规范与操作指南》中对信息资源数字化的文件格式、加工处理方法 以 及国际标准展开了研究。 .年月,中英文图书数字化国际合作计划项目管理中心制 订出《数字化文本加工规范草案》,该草案比较详细地规定了数字化过 程中用到的工序标准、扫描标准以及图象处理标准。 .年,在台湾数字化典藏项目发表的《“蒋中正总统文物”影像扫描 实务探讨》一文,在信息资源数字化工作过程中的数字扫描方面展开讨论。 .我国在技术方面的研究工作起步较晚,上世纪年代才开始对数 字、英文字母及符号的识别进行研究,到年对汉字识别的理论研究进入一 引言 个实质性阶段,不少单位相继推出了各自的中文产品。 .年月,测试中心中国实验室在《中文软件横向评测一 汉字识别谁强谁弱》一文中,利用同样的扫描样张,对当时流行的几种国内 外中文软件的识别率进行了深入的评测,其研究成果为人们在选择中文 软件时提供了十分有益的参考。 .年,郑州大学信息管理系臧国全教授在《文本型数字图像识 别的准确度测度实验与提高》一文中,将识别周期划分为数字扫描对象的 获取、数字图像的生产、数字图像的处理和文本识别等四个阶段,并对每个阶 段中对识别准确度的影响因素与相应的提高措施进行了探讨。 总体而言,国外在信息资源数字化以及识别方面的理论研究涉及的范 围比较广泛,而且针对具体的问题研究的层次也比较深入。但是,目前国内外 在信息资源数字化工作流程方面的理论研究均不够系统,尤其缺乏对信息资源 数字化生产过程中识别准确度方面的理论探讨。 二、实践层面相关研究综述 一国外部分 .年月,美国国家自然科学基金会、国家宇航局和国 防部高级研究署开始实施“数字图书馆启动计划 ’’,四年后该项目的二期工程启动。该项目主要研制、 发展数字图书馆的最新技术,在生产管理方面的研究主要集中在发展对数字化 信息资源的收集、存储、组织以及利用的技术和手段。 .年,美国数字图书馆联盟 ,支持启动 “美国的创建”项目,最初由密西根大学和康乃尔大学合作进行,其开 展的主要工作是对美国南北战争以前有关美国社会历史的珍贵书刊进行数字扫 描,并向用户提供服务。项目为信息资源数字化项目在制定数字图像资源 的加工方案方面提供了参考依据。 项目由美国国会图书馆投 .年,“美国记忆 资万美元正式启动,该项目将有关多达万页的文字、图片、音像等文 献资料数字化,旨在创建一个囊括美国历史、文化与科研成果信息的数字化信 息资源库。该项目的启动运行为美国乃至全球范围内的信息资源数字化工作做 出了榜样,由其制定形成的关于数字扫描、存储以及用户检索利用等方面的系 【臧国全.文本数字化图像识别的准确度测度实验与提高.图书情报知识,:引言 列标准成为众多数字化项目的重要参考依据。 .年,日本国会图书馆分馆一关西电子图书馆完成了对万页文 献数字化工作,其中包含多幅超高清晰度的国宝级图片扫描影像,日本也 因之成为亚洲国家和地区在大规模信息资源数字化生产领域的先驱者。 .年,美国康奈尔大学图书馆对数字化生产质量调控过程进行了较为 详细的论述并于年在相关研究的基础上提出了一个根据印刷型文本数字扫 描的质量等级参数与文献中的字符高度来确定合适的扫描分别率的方法。 .年月,第届模式识别国际会议在美国坦帕市召开。 会上,《低质量相机文本图像的机器阅读:为提高准确度的基于独立分量分 析的图像增强方法》一文介绍了一种基于独立分量分析的图像 增强方法,用于提高相机图像的机器阅读准确度。针对低质量相机文本图像, 该方法在系统中可以提高.%的文字识别率从.%到.%和 .%的字符从.%到.%识别率。商业识别系统识别率的重 大提高,体现了该基于独立分量分析的图像增强方法的实际应用价值。 .年月,人工智能与应用国际会议在奥地利因斯布鲁克举行。会上, 《用于手写阿拉伯字符形状识别的基于图像压缩标准的精确工具》一文指 出典型的系统,其工作流程主要包括预处理、特征提取和识别这三个环节, 其中的每一个环节都存在这样或那样的问题并影响系统的工作效率,例如在耗 费时间和识别错误等方面。为了克服这些问题,该论文介绍了一个使图像 压缩标准的手写体阿拉伯字符识别系统的新模型,在识别准确度和时间耗 用方面,该算法获得了令人鼓舞的实验结果。 .年月,数字图像处理国际会议在泰国曼谷召开。会上,《多语种 文件文本边界鉴定》一文介绍了一种简单有效的用于印刷文件中的埃纳德语、 北印度语和英语文本边界语言辨识技术。该技术支持下的系统,建立在抽 取文本图像中单个文本边界的顶部轮廓和底部轮廓字符特征的基础之上。该种 系统首先建立三种语言文字文本边界的项部轮廓和底部轮廓的字符特征数 据库,然后将待识别的图像文件中的文本边界特征与该数据库进行匹配,进而 输出识别结果。在测试中,该系统对种文本边界的分类准确度达到了.%。 国内部分 .年文化部开始实施中国数字图书馆工程,其目标是建设超大规模的 优质中文信息资源库群,形成世界上最全面、最系统的网上中文信息基地和服 引言 务中心。数字资源生产建设是中国数字图书馆工程建设的核心,计划建成总量 达的数字资源。 .年,“中英文图书数字化国际合作计划’’被列入“十五 期间“工程公共服务体系建设系列,其与“中国高等教育文献保障系统 共同构成中国高等教育数字图书馆的框架。该项目旨在推动我国数 字图书馆技术达到国际领先水平,为我国数字图书馆建设提供资源和技术保障。 .近年来,汉王科技集团陆续推出汉王文本仪、汉王文本王、汉王摘客、 汉王名片通和汉王速录笔等系列产品。汉王科技凭借其在手写识别、识别 两项核心技术上的优势,围绕智能人机交互领域不断创新应用,在实现汉字的 快速输入计算机方面做出了突出贡献。 .清华大学电子工程系和北京文通公司也陆续推出了一系列的产品。 其中,文通.独家真正实现了汉英混排同时识别,在国际上首次突破了 产品只能处理汉字或英文单一文字的局限性,新增了东方文字简繁汉、 日文、韩文识别功能,对日文和韩文与英文混排文档的识别水平甚至超过日 本和韩国对本国文字的识别水平,在国内、外产生了重大的影响,成为汉字输 入技术的一座里程碑。目前,..版本已应用到了包括电子政务、电子 出版物、报社、银行、邮政、税务、图书馆等多个领域,成为国内市场的 先锋。 .来自我国台湾地区的蒙恬科技,将自身定位为智能型人机接口核心技术 研发公司,其产品主要针对繁体中文市场,在台湾以及大陆部分地区有着 广泛应用。 .年月,第届中国控制与决策会议 ,在徐州召开。会议上,《一种新的基于中值滤波的文档分 割算法》一文,针对具有复杂背景信息的数字图像,提出了一种基于中值滤波 的文档分割算法,并通过比较实验证明了其相对于其他算法的优越性。 .年月,第三届计算智能与工业应用国际学术研讨,~在 武汉召开,会议上《一种基于遗传算法的字符分隔的预处理参数实验评价》 一文,强调了数字图像灰度直方图对图像分割处理算法的重要性,介绍了基 于 】, 廿 . ?. : ‘ 起步 体实 都把 门将 个有 开。 段, 后, 在明确文本型数字图像识别准确度的各种相关影响因素的基础上,提出了 提高识别准确度的相应策略。 二、研究方法 文献调研法:广泛收集已有的相关研究资料,并通过多种角度对其进行审 视。及时跟踪相关研究内容的最新进展情况,并将其和本文的研究内容进行 参 照。 实验分析法:为充分挖掘文本识别阶段影响识别准确度的各种因素, 文章通过具体的实验,对两款常用中文软件的性能进行了多角度的对比分 析。 三、文章创新之处 把识别工作整体作为信息资源数字化工作流程中的一个有机组成部 分来进行研究,并引入文本型数字图像识别的生命周期,丰富了我国在信 息资源数字化理论层面上的研究。 围绕识别生命周期中的四个阶段,系统地提出了文本型数字图像 识别准确度的相应提高策略,在实践层面上为我国的信息资源数字化工作提 供 了参考。 】. . . .: 文本型数字图像识别准确度影响因素分析 文本型数字图像识别准确度影响因素分析 .数字扫描对象的获取阶段 从目前国内外已有信息资源数字化项目的实施情况来看,在数字扫描对象 的选择方面存在着两种思路:一种是直接对原始文献进行数字扫描或数码拍照, 另一种是首先生成原始文献的缩微胶片,然后将缩微胶片作为原始文献的替代 进行数字扫描或数码拍照。可见,在数字扫描对象的获取阶段中,原始文献质 量及其缩微胶片质量是影响识别准确度的两个主要方面。 ..原始文献质量方面的影响因素 ...装订情况 信息资源数字化工作中,原始文献在进行数字扫描之前一般都已装订成册。 如果直接将装订成册的原始文献按页依次扫描,在连接每相邻两页的书籍位置 处容易出现阴影尤其是当原始文献页数较多、纸张较厚时,如果阴影面积过 大就会影响其附近字符信息的扫描质量。在实际操作中,数字化项目人员有 时 就需要先将装订成册的原始文献进行拆分,然后逐页依次扫描。但是在拆分过 程中容易对原始文献造成物理损坏进而影响数字扫描质量,而且对部分珍稀文 献进行拆分实际上也是不可取的。 ...纸张的物理状况 纸张的材质。部分原始文献所用纸张材质粗劣、压光不够平滑,导致其表 面形成一些凸起的纤维颗粒或小块,对油墨的吸收不够均匀。承载于这类纸张 上的字符信息在行与行之间、相邻字符之间以及同一字符的相邻笔画之间容易 形成粘连。 纸张的平整程度。部分原始文献在平时的流通利用以及数字化工作时的搬 运过程中,在一些纸张的表面形成了褶皱,褶皱程度严重的部位在数字扫描时 会形成扫描阴影。 纸张的洁净程度。部分原始文献受平时流通利用过程中的人为因素以及保 存过程中的环境因素影响,在一些纸张表面残留的污渍和附着的灰尘会对数字 文本型数字图像识别准确度影响因素分析 扫描成像质量造成干扰。 纸张的完好性。部分原始文献因年代久远或在流通利用时人为地造成一些 纸张残缺不全,损坏了其中一些字符信息的完整性。残缺字符图像信息的 识别准确度无法得到保证。 纸张的透明性。部分原始文献所用纸张过于透明,导致其纸张背面的字符 , 信息极易影响正面字符信息的数字扫描成像质量。 ..原始文献缩微胶片质量方面的影响因素 ...缩微胶片的片基材质 缩微胶片,通常是指以三醋酸纤维素或聚酯为片基、含有银明胶涂层的胶 片。老化实验和实际使用都已经证明,醋酸片基类缩微胶片相对容易老化、 进 而影响对承载于其上的字符图像信息的识别。 ...缩微胶片的冲洗质量 缩微胶片在冲洗过程中,主要有四个方面的因素会对承载于其上的字符图 像信息的识别造成影响: 缩微胶片在冲洗时因对显影液的药效和温度控制不当,容易导致胶片出现 灰雾、污染和影像不清晰等现象。 缩微胶片因冲洗后残留于其表面的定影剂数量过多实验证明该临界值为 ,容易导致缩微胶片硫化变黄。 ../ 缩微胶片在冲洗时因清洗不彻底,容易导致其颜色变黄、褪色甚至消失。 缩微胶片在冲洗后的干燥环节里,或因干燥温度过低导致其表面留有水迹, 造成胶片乳剂层粘连、滋生霉菌;或因干燥温度过高导致胶片折裂、卷曲、 发 脆。 ...缩微胶片的洁净程度 部分缩微胶片,受其保存环境或平时流通利用时的人为因素影响,在其表 面容易吸附有灰尘或其他有机污染物,这些将会对字符图像信息的识别造 成干扰。 【】曹艳,黄秀华.必须重视缩微品的储存、保管和开发利用【】.缩微技术,: 文本型数字图像识别准确度影响因素分析 ..。缩微胶片的完好程度 部分缩微胶片,受其保存环境或平时流通利用时的人为因素影响,在其表 面形成了划伤折痕、甚至造成其物理形态的残损不全,这些都将会影响字符 图 像信息的识别准确度。 .数字图像的生产阶段 该阶段的工作是对已经获取的原始文献或原始文献的缩微胶片进行数字扫 描或数码拍照,生成数字图像,用以作为的识别对象。在具体的信息资源 数字化项目实施过程中,数码相机一般用于对三维载体的文献信息资源进行 数 码拍照,本文所探讨的是文本型数字图像的识别问题,因此该阶段对 识别准确度的影响因素主要体现在数字扫描仪的选择和使用方面。 ..数字扫描仪的选择 目前,可以用于信息资源数字化工作的扫描仪,其类型主要有以下几种: 平板式扫描仪。该类扫描仪对被扫描对象的适应能力比较强,而且操作简 易,目前在日常办公领域应用广泛。其光学分辨率一般介于和 之间,色彩位元深度从位到位。这类扫描仪的图像传感器有电荷 耦合器和接触式图像传感器两种类型。 平台式扫描仪。这类扫描仪是在平板式扫描仪的基础上演化而来,适用于 对图书、期刊等具有固定装订形态的文献资料进行扫描。 单页供送式扫描仪。这类扫描仪的技术原理与平板式扫描仪类似,扫描速 度相对较快。但是因扫描分辨率较低,采用这类扫描仪获得的数字图像质量 相 对较差。 滚筒式扫描仪。又称鼓式扫描仪,对被扫描对象的适应能力较差,扫描速 度比较慢,而且对使用者的操作技能要求比较高。其扫描方式主要是通过多 个 搓纸轮来传输被扫描对象,被扫描对象要在扫描仪内部运行一周以后才能完 成 扫描过程。这类扫描仪的光学分辨率一般介于和之间,色彩 位元深度从位到位。其图像传感器为性能远远高于电荷耦合器 的光电倍增管~种电子管。 缩微胶片扫描仪。又称底片/反转片扫描仪,该类扫描仪专门用于对缩微 《文本型数字图像识别准确度影响因素分析 胶卷、缩微胶片、缩微平片和开窗卡进行数字扫描,其价格相对较高,对使用 者的操作技能要求也很高。 ..数字扫描仪的使用 ...相关扫描参数的设定 在数字扫描仪的使用过程中,下面几种参数的设定将会对数字扫描图像的 质量造成影响,进而影响相应的识别准确度。 扫描模式。目前,数字扫描仪一般都能够提供黑白扫描、灰色扫描和彩色 扫描这三种扫描模式。为保证数字扫描图像便于识别,不同类型的被扫描 对象对最佳扫描模式有着特定的要求,如表.所示。 表.各扫描模式适用对象对照 扫描模式 适用的扫描对象类型 纯文字型的黑白印刷文本文献,色调浓淡变化微弱或完全没 黑白扫描 有色调变化的黑白线条图 灰色扫描 黑白色调呈现连续变化特征的文献资料 彩色扫描 彩色色调呈现连续变化特征的文献资料 扫描分辨率。扫描分辨率是指扫描仪在单位长度内所能抓取到的信息总量, 用每英寸点数或每英寸像素数来表示。扫描仪的扫描分辨率越 高,代表其所能够抓取到图像细节信息的能力越强,进而所生成的数字扫描 图 像的清晰程度就越高。扫描分辨率有光学分辨率和最大分辨率之分,其中光 学 分辨率是指扫描仪自身的光学系统所能够达到的最高输入分辨率,是扫描仪 清 晰分辨图像能力的体现;最大分辨率又称插值分辨率,是指在使用光学分辨率 扫描的基础上,再通过软件插值方法计算后所得到分辨率,一般为光学分辨率 的.一倍。 阈值。黑白扫描模式中,需要设定一个黑、白转换的阈值点。选定黑白扫 描阂值点,是为了向扫描仪的光电转换系统提供一个像素值的转换参照标准。 假定,扫描过程中扫描仪捕获到的像素灰度值最大为,最小为,阈值为。 那么,黑白扫描模式下,如果用“,’表示“白,“”就表示“黑。这时,如果 扫描仪抓取到的某像素灰度值,则该像素的色调将会被转化为“白’’,如果 扫描仪抓取到的像素灰度值,则该像素的色调将会被转化为“黑。 文本型数字图像识别准确度影响因素分析 亮度/对比度。软件是基于字符图像边缘的细节特征来对字符信息进 行辨识,黑白扫描模式下数字扫描亮度/对比度的设定会影响到数字图像中字符 信息边缘部分与其背景的对比效果,进而影响识别准确度。 生成文件的格式。文件格式,是指计算机为了存储信息而使用的对信息的 特殊编码方式。信息资源数字化工作流程中,原始文献资料经数字扫描之后所 生成的数字图像需要以某种文件格式加以保存。但是不同的文件格式在分辨 率、 位元深度、对压缩的支持以及通用情况等方面的表现都有所不同,所以文件格 式的选择将会影响到数字图像的质量。 ...数字扫描仪的使用方法 在使用数字扫描仪的过程中,如果使用方法不当就会对数字扫描图像的质量 造成影响进而影响识别准确度,主要包括以下几个方面: 镜头组件的固定。在使用或挪动扫描仪的过程中,容易造成其光学镜头或 反射镜头的松动。由于数字扫描仪镜头组件设计精密,任何部件位置的稍微变 动都可能会影响到传感器的成像质量。 工作环境的清洁。如果工作环境质量不合格,在扫描仪的玻璃板、反光镜 片以及镜头上容易附着灰尘或其他细小杂质,这将会影响到模拟信号与光学信 号之间的转换质量进而影响最终的数字图像质量。 预热。扫描仪正式工作之前需要一定程度的预热,如果不预热或预热不够 充分,光源的稳定性及色温就达不到扫描仪正常工作的要求,容易导致数字扫 描图像饱和度不足。 去除网纹。印刷型文本为追求印刷精美采用网版印刷,当对其进行数字扫 描时容易导致数字扫描图像中存在网状条纹,网纹的存在将会影响到数字扫描 图像的识别准确度。 被扫描对象的放置。数字扫描过程中,如果被扫描对象的位置摆放不端正, 就会造成数字扫描图像在水平或垂直方向上的歪斜,这会对数字图像的识 别带来很大干扰。 .数字图像的处理阶段 该阶段的任务是对数字图像进行一系列的增强处理工作,以便为后续的数 文本型数字图像识别准确度影响因素分析 字图像精确识别做好准备。图像增强处理工作的直接目的是为了提高图像 的解译力,把图像中我们感兴趣的特征强调出来,同时抑制不感兴趣的特征。 该阶段影响识别准确度的因素主要体现在,数字图像处理软件的选用和图 像增强处理操作这两个方面。 ..数字图像处理软件的选用 该阶段所使用的数字图像处理软件主要有两种类型: 数字扫描仪自身所附带的图像处理软件。其优点是价格便宜,一般都会在 购买扫描仪时由厂家免费赠送;缺点是图像编辑处理功能往往有限。 商业化图像处理软件。其优点是图像编辑处理功能相对完善;遗憾在于其 正版软件价格昂贵。 ..数字图像增强处理 数字图像的增强处理,从根本上来讲是指将图像中重要的内容部分加以突 出,同时将其中不重要的或对图像的有效使用不利的内容部分加以抑制。站 在 有利于文本型数字图像识别这一角度来分析,图像的增强处理操作主要包 括以下几个部分: ...数字图像几何位置调整 因原始文献排版、印刷质量欠佳,或因数字扫描阶段操作不慎,容易造成 数字图像中的字符图案偏离水平线或垂直线。软件对文本型数字图像的识 别,其过程是首先基于数字图像的已有版面识别出其中的文字行,然后从文字 行中正确分离并识别单个文字,最后再正确地连接文字行乜。可见,数字图像中 的字符图案在水平和垂直两个方向上的排列情况将会对识别造成影响。 ...数字图像噪声的抑制 图像噪声可以理解为妨碍人的视觉感知,或妨碍系统传感器对所接收图像 源信息进行理解或分析的各种因素,也可以理解成真实信号与理想信号之间存 在的偏差口。从广义上来讲,我们平时所经常遇到的图像中的网纹和斑点等都属 【】王斐,王杰生,胡德永.三个商用遥感数字图像处理软件比较.遥感技术与应用,: 【日谷口庆治编,朱虹等译.数字图像处理??应用篇嗍.北京:科学出版社,. 朱虹.数字图像处理基础【】.北京:科学出版社,. 字图像识别准确度影响因素分析 软件的性能对比分析实验 在我国大陆软件市场上,曾经呈现出汉王科技、曙光公司、清华文通 三足鼎立的态势,自从年月日,汉王科技公司正式宣布并购曙光公司 研发部之后,两强相争的局面一直持续至今晗。本实验所比较的两款中文 软件分别是:清华紫光股份有限公司的 .以下简称紫光.和 北京汉王科技股份有限公司的?.以下简称汉王.。 本实验共使用了分别来自种不同载体形式的种扫描样张详见图.: 纯中文打印稿样张《千字文》全文和种常用的中文标点符号,分别用宋体、 楷体和黑体三种字体打印、纯英文打印稿样张个大小写英文字母、十 个阿拉伯数字和种常用的英文标点符号,分别用宋体、楷体、黑体、 六种字体打印、中英文混排打印稿样张、纯中文杂 、 志样张、纯英文杂志样张、中英文混排杂志样张、纯中文报纸样张、纯英文 报 纸样张、和中英文混排报纸样张。这种扫描样张均由同一台型号为的 佳能扫描仪采用黑白扫描模式获得,考虑到部分扫描样张中的一些字符例如 标点符号很小,本实验中的扫描分辨率统一设置为,扫描样张文件的 格式统一设置为格式。在选择样张的原始文献资料时,笔者尽量避开含 有图表的部分,因此本实验中实际参与识别的图像类型为文本型数字图像。 ...实验方法 本实验把识别率作为对两款软件的性能进行比较分析的首要因素。一 方面,试验中将两款软件分别对种不同样张的单个识别率以及综合识别 率做出了详细的对比分析。其中,软件对各样张的单个识别率使用公式??单 个识别率卜出错字符数量/样张字符总数量%计算,软件对种样张的 综合识别率使用公式??综合识别率种单个识别率之和/计算。另一方面, 本实验对每次识别结果中的错误识别进行了统计,分析其中导致错误识别的 各 个因素所占的比例。此外,本实验还对两款‘软件在识别过程中的拒绝识别 情况进行了统计和对比分析。 【】郭军.两款常用中文软件的性能比较分析【】.情报探索, : 嘲木俑.应用市场,向左走、向右走【】.数码世界,:? 【】吴启海.图像扫描仪的参数设置和使用技巧上们.影像视觉,:. 文本型数字图像识别准确度影响因素分析 在统计各样张中的字符数量时,本实验首先对照原始文献将其中参与识别 的内容人工键入到文档中,然后进行两次人工核对,进而使用中的 字符统计功能得出字符数量。在统计每次识别结果中的错误识别字符数量 时, 本实验使用两款软件的将识别结果内容与原数字图像的相应内容在同一界 面中进行逐行逐字符比对的功能来获得。 ????,四?????????‘,』???’?? ?啪洲?????口?埘?。 ?’‘‘?‘’? ???, ??..?,? 啪??????‘四? “,一?‘ 九 ’??,:? 呲??九????懈? ?‘ 。。? ????‘?’ 一 ?‘‘???????? ???‘?????? 州??口????? 四??,一?‘?’九 ?????????? . 一????’‘,‘ ??‘‘??‘’‘,‘? ‘一一? ?‘?小..? ”』一 ,‘一?,‘’?? ? ???四?‘? ?,?。 一一 ‘’? ??‘??? ?一?’ ???.??“???‘ ...?????...撕? ???????????????? ????? ????????‘ ???‘??。‘????? ? ??? 』一??』,?。‘’??,? ??.?‘.四.‘??‘’。 ..??????? ??’ ?.’????咖????.???‘????????? ???‘???????‘啡 ????????????’?? 卅?????????椰? ?.四 ‘一?‘‘,??~’帆:??????? ?。。??,一?.?‘ 一‘‘??‘ ???????? ???四‘? ????????? ??????????? ???????,????? 删州??,咐?州??????? 一???:一????? ?。.,?。 。‘?? ? ??朋..?懈??????四~??“?? ????? ??.?嗍????? ????圳??????‘ ???? ?????? ?????’???’????? .?,’ ?.‘????‘。‰‘‘?一 ?』’。?,,.一’’??一? ‘ ’ 圜黑篓墅蓬 篓篓誊篓黧 孽墨戳兰冀冀曹蓦《要 豁。蘑馨鼢餮蠹飘:二:翻 震 霾囊羹 躯燮邈一 塞懿戮壁蠹一 ? ?一?~一?。’?一??一?一?????一?一??~“一????’??一??‘???’, ?~? ???一??‘‘?‘~?‘一一 ?川?? 一一一’?’?一 ???’?~??‘???????’‘一。?~???一一??? ???~一‘.,一???~?一?????” ????’???一 。?一’???’? ??一????????’’ ~???一? 一??‘????? ?‘一????一’一一 ?~?。一????一 一??’??一?一?~????一?????~???。一一’???‘?。 ?~???’??????? ???‘??一?~’一 黼驻粼鳓黼四要测黼? 瓣麓四四溉四四四四? ?一?。???? ‘?‘一?? 一?‘????一?一 襄嚣鑫一一一一一一一一譬 塞糍瓣瓣端嚣瓣篓黼紫 一 图.实验所用扫描样张 文本型数字图像识别准确度影响因素分析 ...实验流程 本实验的流程如图.所示: 图.实验流程图 ...实验结果统计 实验中,两款软件的综合识别率以及拒绝识别情况统计结果如表. 所示: 表.综合识别率及拒绝识别情况统计表 综合识别率 拒绝识别情况 .% 文通. 纯英文打印稿样张 样张中的部分标点符号 样张中的部分标点符号 纯英文打印稿样张 .% 汉王. 纯中文报纸样张 版面中最大号加黑标题内的部分文字 纯英文报纸样张 版面中最大号加黑标题内的部分字母 实验中,两款软件的单个样张识别率以及各种样张中导致错误识别的 各因素所占比例统计结果如表.所示: 表.单个样张识别率和各样张中导致错误识别的各因素所占比例统计表 中文 英文 中、英 中文 英文 中、英 中文 英文 中、英 打印 打印 打印 杂志 杂志 杂志 报纸 报纸 报纸 单个 .% .% . .% .% .% .% .% .% 文通. 样张 识别 . 汉王. .% .% .% .% .% . .% .% 率 形近字 .% .% .% .% .% .% .% .% .% 导致 文通 .% .% .% .% .% .% .% . 噪点 错误 . .% 标点 .% .% .% .% .% .% .% 识别.% 数字 的各 .% 形近字 .% .% .% .% .% .% .% .% 因素 .% .% . 。% .% .% .% 汉王 噪点 所占 .% . 标点 .% .% .% .% .% .% .% 比例 数字 表现: ...对形近字符的识别率 识别,实际上是一个基于字符图案笔画边缘特征的 模板 个人简介word模板免费下载关于员工迟到处罚通告模板康奈尔office模板下载康奈尔 笔记本 模板 下载软件方案模板免费下载 匹配过程,形 近字符之间因在笔画边缘部分存在着不同程度的相似度,容易给软件的正确 辨识带来干扰。实验结果中,无论是紫光.还是汉王.,形近字符的误识在 导致软件错误识别的众多因素中所占比例都是最大的,分别达到了.%和 .%。 ...对噪声的抗干扰能力 正式实施识别之前,虽然已经经过了图像增强处理阶段,但部分数字 扫描图像中仍存在着一定程度的噪声。实验结果中,紫光.和汉王.两款 软件,因噪声干扰造成的误识在导致软件错误识别的众多因素中所占的比例 分 别是.%和.%,说明噪声干扰是造成软件错误识别的又一重要因素。 ..。对标点符号的识别率 标点符号具有以下特点: 体积小。如果印刷质量不过关或设置的扫描分辨率过低,容易造成数字扫 描图像上的部分标点符号模糊不清。 所处位置特殊。文段中的标点符号一般位于文字字符的右下方、左上方和 右上方,而且部分成对出现的标点符号两个组成部分之间往往会有一定数量 的 文字字符间隔。 标点符号是文段内容的重要组成部分,高质量的识别结果应当包括对 数字图像中标点符号的准确辨识。实验结果中,紫光.和汉王.两款软件, 标点符号的误识在导致软件错误识别的众多因素中所占的比例分别是.%和 .%,表明为保证最终识别率,软件必须能够对标点符号精确辨识。 日谷口庆治.数字图像处理一应用篇【】.北京:科学出版社,: 文本型数字图像识别准确度影响因素分析 ...数字图像预处理功能 在对数字图像正式实施识别之前应对其进行一系列的预处理,这是保 证识别能够正常进行并提高识别率的关键环节。软件的图像预处理功能主 要体现在倾斜校正、版面分析和版面属性设置等方面是否完善和强大,将会 直接影响到最终的识别准确度。 实验中,紫光.凭借其强大的版面划分功能和完善的版面属性分区设置 功能,在对版面极其复杂的中英文混排报纸扫描样张进行识别时识别达到了 .%,高于汉王.的.%,这也是本实验中紫光.在对种单个样张的 识别率上领先幅度最大的一次。 ...支持识别的项目内容 文本型数字图像中的字符信息,经常呈现出多语种、多字体、多字号混合 排列的情况,部分数字图像中甚至还会存在手写体字符信息。因此,是否支持 对这类数字图像的识别,是软件识别准确度是否有保证的一个重要反映。 从实验中两款软件的据绝识别情况来看,紫光.只在对纯英文打印稿样 张中的部分标点符号据识,而汉王.在对纯英文打印稿样张中的部分标点符 号、纯中文报纸样张版面中最大号加黑标题内的部分字母、纯英文报纸样张 版 面中最大号加黑标题内的部分字母均出现了不同程度的据识现象。虽然少量 的 据识并未影响本实验中汉王.在整体识别率上的领先,但这表明其在对识别 项目内容的支持方面明显欠佳,在大规模的批量识别中势必将会对整体识别 率 造成影响。 ...用户界面友好性 作为一种应用软件,良好的用户界面友好性是其赢得用户青睐的一个重要 方面。实验中笔者深刻感受到了软件因不同的操作界面设置,而为用户在 使用舒适性和最终的识别准确度方面所带来的不同影响。 例如,“后编改’’界面的设置方面:在紫光.中,相似字符出现在图像文 件内容下方;而在汉王.中,相似字符出现在识别文本窗口上方,更加便于 用户对相似字符进行对比、选择。当文本识别量较大时,明显感觉到汉王. 在“后编改界面设置上的舒适性,不仅提高了工作效率,而且还有效避免了 该环节中因用户人为因