基于模型驅(qū)動的表格識別的研究.pdf

1、表格識別是當(dāng)前圖像識別領(lǐng)域中的一個重要研究課題，由于信息化的普及和表格數(shù)據(jù)的大量出現(xiàn)，表單數(shù)據(jù)自動處理技術(shù)已經(jīng)在很多行業(yè)和領(lǐng)域中取得應(yīng)用。表格圖像識別技術(shù)不僅可以提取表格結(jié)構(gòu)，與OCR結(jié)合還可以對表格數(shù)據(jù)進行自動處理；通過模板匹配，可以進行證件驗證。本文設(shè)計了一個表格描述模型，根據(jù)模型要求，設(shè)計實現(xiàn)了一個表格識別方法，通過該方法能夠?qū)⒈砀駡D像轉(zhuǎn)換成規(guī)定格式的模型。在表格模板的基礎(chǔ)上，設(shè)計實現(xiàn)了一個表格輸出和數(shù)據(jù)提取的系統(tǒng)。
　　

2、 本文分析了幾種常見的表格結(jié)構(gòu)的描述方式，通過對比選擇了XML作為表格模型的描述語言。根據(jù)本文研究的表格特征，提出了一種表格模型。該模型具有很好的復(fù)用性，而且對表格結(jié)構(gòu)的描述清晰、簡單，利于對表格模板進行二次開發(fā)利用。
　　 本文對表格識別的方法進行了分析，一般分為圖像預(yù)處理和表格特征提取兩部分。圖像預(yù)處理的目的是使表格特征更突出，更容易識別，降低表格特征識別的時間和空間復(fù)雜度。根據(jù)本文所研究的表格特征，表格預(yù)處理可分為圖像灰度

3、化、圖像二值化、圖像的傾斜校正和圖像細化四個步驟。經(jīng)過預(yù)處理后的圖像，明顯分為黑白兩種顏色，表格線只有單像素寬，達到了降低表格特征識別時間和空間復(fù)雜度的目的。根據(jù)模型定義的要求，表格特征識別需要識別出表格的單元格和嵌套表格，為了實現(xiàn)這個目標(biāo)需要首先提取出表格線。每一種表格特征的識別本文都實現(xiàn)了一個算法，并對算法和最終的結(jié)果進行了分析。
　　 在表格特征識別的基礎(chǔ)上，在研究過程中還加入了一些邏輯特征的識別。這些邏輯特征識別的加入，

4、進一步提高了表格識別的智能化程度。表格邏輯特征的識別包括了文字的識別、文字特征的識別和單元格邏輯關(guān)系的識別。其中單元格之間的邏輯關(guān)系的識別對表格圖像有一定的特殊要求，需要對不同類型的單元格利用顏色等特征進行區(qū)分。
　　 本文通過對表格模型的解析，實現(xiàn)了表格模型與業(yè)務(wù)數(shù)據(jù)的結(jié)合，大大節(jié)省了程序開發(fā)的時間。在實際應(yīng)用中，與OCR技術(shù)結(jié)合，可以實現(xiàn)業(yè)務(wù)數(shù)據(jù)的提取。通過對XML解析方式的分析，結(jié)合本文采用的開發(fā)平臺，選擇了DOM4J這種