Thạc Sĩ Phương pháp phân tích trang văn bản dựa trên Tab-stop

Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnu.edu.vn

MỤC LỤC
LỜI CAM ĐOAN i
MỤC LỤC ii
DANH MỤC CÁC HÌNH ẢNH . iv
MỞ ĐẦU 1
1. Đặt vấn đề 2
2. Nội dung nghiên cứu . 3
2.1.Mục tiêu nghiên cứu chính của đề tài 3
2.2.Ý nghĩa khoa học của đề tài . 4
2.3.Nhiệm vụ nghiên cứu . 4
2.4. Phương pháp nghiên cứu 4
2.5. Phạm vi nghiên cứu 4
3. Bố cục của luận văn . 5
CHƯƠNG 1. NỘI DUNG TRANG VĂN BẢN VÀ CÁC PHƯƠNG PHÁP TIỀN XỬ LÝ
6
1.1. Ảnh tài liệu và nhận dạng ảnh tài liệu 6
1.1.1. Tổng quan về ảnh tài liệu . 6
1.1.2. Nhận dạng tài liệu và vai trò của phân tích ảnh tài liệu . 7
1.2. Cấu trúc của ảnh tài liệu . 8
1.2.1. Cấu trúc vật lý 9
1.2.2. Cấu trúc logic . 10
1.3. Quá trình phân tích tài liệu . 11
1.3.1. Tiền xử lý (preprocessing): 12
1.3.2. Phân tích cấu trúc vật lý . 13
1.3.3. Phân tích cấu trúc logic 15
1.4. Một số hệ thống phân tích tài liệu hiện nay . 15
1.4.1. VnDOCR . 15
1.4.2. OminiPage . 19
2.4.3. Finereader 21 iii

Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnu.edu.vn

CHƯƠNG 2. MỘT SỐ KỸ THUẬT XỬ LÝ TRANG VĂN BẢN . 24
2.1. Các phương pháp phân tích định dạng trang tài liệu 24
2.1.1. Top-down . 24
2.1.2. Bottom-up 29
2.1.3. Phương pháp Tách và Nối thích nghi (Adaptive Split – and – Merge) . 31
2.1.4 Phương pháp phân tích trang văn bản dựa trên Tab-Stop 33
2.2. Lựa chọn giải pháp . 47
CHƯƠNG 3. CÀI ĐẶT THỬ NGHIỆM, ĐÁNH GIÁ KẾT QUẢ . 48
3.1. Yêu cầu hệ thống 48
3.2 Một số anh debug của chương trình 49
3.3 Đánh giá thực nghiệm 58
KẾT LUẬN 62
TÀI LIỆU THAM KHẢO . 63
iv

Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnu.edu.vn

DANH MỤC CÁC HÌNH ẢNH

Hình 1: Sơ đồ tổng quan quá trình tạo ảnh tài liệu . 6
Hình 2: Ví dụ ảnh tài liệu 7
Hình 3: Sơ đồ OCR cơ bản . 8
Hình 4: b-Cấu trúc vật lý: c,d-Cấu trúc logic của một tài liệu[4] 10
Hình 5: Ví dụ loại tài liệu có bố cục phức tap 11
Hình 6: Sơ đồ nguyên lý hệ thống xử lý tài liệu[6] 12
Hình 7: a - Ảnh gốc b - Ảnh sau khi tách nền . 13
Hình 8: Ví dụ một ảnh tài liệu bị nghiêng một góc 5 độ 14
Hình 9: Ví dụ một cây mô tả cấu trúc logic của một trang tài liệu[5] . 15
Hình 10: VnDOCR và một ví dụ nhận dạng . 16
Hình 11: Ảnh mẫu có cấu trúc vật lý phức tạp . 17
Hình 12: Kết quả ra hai vùng ảnh với ảnh mẫu 11 17
Hình 13: Mẫu ảnh có cấu trúc vật lý phức tạp, nhưng các khối bao bởi hình chữ nhật 18
Hình 14: Kết quả phân tích với ảnh 13 . 19
Hình 15: Đầu ra phân vùng chỉ có 1 vùng văn bản . 20
Hình 16: Đầu ra có vùng chứa cả ảnh và text 21
Hình 17: Với ảnh 13 đạt hiệu quả 90% . 22
Hình 18 Với ảnh I-15 hiệu quả đạt 100% . 23
Hình 19: Với mẫu phức tạp hơn Finereader cho kết quả 95% 23
Hình 20: Kết quả chiếu nghiêng theo phương ngang và phương thẳng đứng của một trang
tài liệu4 25
Hình 21: Phân tách cột dựa vào phép chiếu nghiêng theo phương ngang5 . 26
Hình 22: Phép chiếu nghiêng theo phương ngang để phân đoạn ký tự hoặc từ . 26
Hình 23: Lược đồ chiếu ngang của một dòng chữ nghiêng - rất khó phân đoạn ký tự . 27
Hình 24: Lược đồ chiếu đứng của trang tài liệu bị nghiêng . 28
Hình 25: Lược đồ chiếu đứng của một bài báo 28
Hình 26: Phương pháp Dostrum cho phân tích định dạng trang từ dưới lên. (a) Một phần v

Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnu.edu.vn

của nội dung văn bản gốc. (b) Các thành phần lân cận gần nhất được xác định. (c) Các hình
chữ nhật tối thiểu tạo nên nhóm láng giềng gần nhất từ đó xác định được dòng văn bản. . 30
Hình 27: Mô tả thuật toán Tách và Nối thích nghi 32
Hình 28: ảnh đầu vào 34
Hình 29. (a) Đường dọc, (b) Các thành phần hình. . 36
Hình 30: filtered CCs 37
Hình 31. (a) Các thành phần tab-stop phù hợp (b) Dòng tab hợp lý và những kết nối dấu vết
38
Hình 32: cho thấy các phân đoạn dòng tab cuối. . 39
Hình 33: Cột chính(cps) 41
Hình 34: làm sạch các tab-stop 43
Hình 35: Typed partition chains 44
Hình 36: Các khối cuối cùng 46
Hình 37:. Kết quả trên một số bộ tiêu chí đánh giá đối tượng ICDAR2007. 49
Hình 38: ảnh 002.LeaderNeighbours 49
Hình 39: ảnh 003.FindTabBoxes: Các thành phần tab-stop ứng cử (candidate tab-stop CCs)
50
Hình 40: ảnh 004.FindAllTabVectors_Finding . 52
Hình 41: ảnh 017.ImproveColumnCandidates2_column . 52
Hình 42: ảnh 020.MovePartitionsToGrid . 53
Hình 43: ảnh 024.InitialPartitions . 54
Hình 44: ảnh 025.ColumnPartitionsAndNeighbors 55
Hình 45: ảnh 036.FindPartitionPartners . 56
Hình 46: ảnh 038.RefinePartitionPartners . 57
Hình 47: ảnh 040.Blocks . 58
Hình 48: ảnh đầu vào 59
Hình 49: ảnh kết quả . 60


Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnu.edu.vn



MỞ ĐẦU
1. Đặt vấn đề
Hiện nay, hầu hết tài liệu của con người đều đã được số hóa và được lưu trữ
trên máy tính, việc số hóa đảm bảo tính an toàn và thuận tiện hơn hẳn so với sử
dụng tài liệu giấy. Tuy nhiên việc sử dụng giấy để lưu trữ tài liệu trong một số mục
đích là không thể thay thế hoàn toàn được (như sách, báo, tạp chí, công văn, ).
Hơn nữa, lượng tài liệu được tạo ra từ nhiều năm trước vẫn còn rất nhiều mà không
thể bỏ đi được vì tính quan trọng của chúng.
Việc chuyển đổi tài liệu điện tử sang tài liệu giấy có thể thực hiện được dễ
dàng bằng cách in hay fax, nhưng công việc ngược lại là chuyển từ tài liệu giấy
sang tài liệu điện tử lại là một vấn đề không hề đơn giản. Chúng ta mong muốn có
thể số hóa tất cả các tài liệu, sách, báo đó và lưu trữ chúng trên máy tính, việc tổ
chức và sử dụng chúng sẽ thuận tiện hơn rất nhiều. Vậy nhưng giải pháp sẽ là gì?
Công nghệ đang phát triển một cách chóng mặt, các máy scan với tốc độ
hàng nghìn trang một giờ, các máy tính với công nghệ xử lí nhanh chóng và chính
xác một cách siêu việt. Vậy tại sao chúng ta không quét các trang tài liệu vào và xử
lý, chuyển chúng thành các văn bản một cách tự động? Nhưng vấn đề là khi quét
chúng ta chỉ thu được các trang tài liệu đó dưới dạng ảnh nên không thể thao tác,
sửa chữa, tìm kiếm như trên các bản Office được, khi đó máy tính không phân biệt
được đâu là điểm ảnh của chữ và đâu là điểm ảnh của đối tượng đồ họa.
Một giải pháp được đưa ra đó là xây dựng các hệ thống nhận dạng chữ trong
các tấm ảnh chứa cả chữ và đối tượng đồ họa, sau đó chuyển thành dạng trang văn
bản và có thể mở, soạn thảo được trên các trình soạn thảo văn bản. Một cách tổng
quát thì cách thức hoạt động của một hệ thống nhận dạng chữ đó như sau [5]:
1. Chụp ảnh hoặc scan các trang tài liệu và lưu lại trên máy tính dưới dạng hình 3

Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnu.edu.vn

2. Phân tích hình ảnh sau khi quét, đọc được ký tự trên hình ảnh và ghi lại vào máy
tính theo cách mà máy tính quản lý được thông tin dữ liệu đó.
- Bước 1: phân tích cấu trúc của ảnh tài liệu, từ đó xác định đâu là phần chứa ký
tự, đâu là phần chứa cả ảnh lẫn ký tự và đâu chỉ chứa hình ảnh. Bước này thực
sự quan trọng cho bước nhận dạng. Bởi nó định vị chính xác cho việc áp dụng
các thuật toán nhận dạng lên vùng đã xác định tính chất, nếu bước này chính xác
trước tiên nó hạn chế thời gian cho việc nhận dạng, sau là tăng ngữ nghĩa bổ
sung cho việc nhận dạng.
- Bước 2: nhận dạng ký tự dựa vào các tính chất của ký tự, ví dụ như sắp xếp theo
dòng, khoảng cách giữa 2 từ lớn hơn khoảng cách giữa 2 ký tự, dùng trí tuệ nhân
tạo để dự đoán các ký tự kề nhau phải như thế nào, các từ trong câu phải như thế
nào để câu có nghĩa. Từ đó có nội dung đúng để lưu trữ, quản lý .
Trong thực tế không phải quá trình nhận dạng nào cũng chỉ trải qua hai bước
như trên, bởi vì có rất nhiều tham số ảnh hưởng đến kết quả của các chương trình
nhận dạng như nhiễu, Font chữ, kích thước chữ, kiểu chữ nghiêng, đậm, gạch dưới.
Ngoài ra các dòng chữ cũng có thể trộn lẫn với các đối tượng đồ họa, vì thế trước
khi nhận dạng chữ, một số thao tác tiền xử lý sẽ được tác động lên ảnh như, lọc
nhiễu, chỉnh góc nghiêng và đặc biệt quan trọng là phân tích trang tài liệu để xác
định cấu trúc của trang văn bản đồng thời tách biệt hai thành phần là chữ và các đối
tượng đồ họa.
2. Nội dung nghiên cứu
2.1.Mục tiêu nghiên cứu chính của đề tài
 Tìm hiểu cấu trúc trang tài liệu (cấu trúc vật lý, logic)
 Tìm hiểu một số kỹ thuật phân tích trang tài liệu (phân vùng, phân đoạn, top-
down hay bottom-up, )
 Trình bày kỹ thuật phân tích trang văn bản Tab-Stop
 Cài đặt thử nghiệm một giải pháp phân tích trang văn bản trên kỹ thuật Tab-
Stop. 4

Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnu.edu.vn

 Từ kết quả nghiên cứu có một sự chuẩn bị kiến thức đẩy đủ cho bước nghiên
cứu tiếp theo là nhận dạng ký tự quang.

2.2.Ý nghĩa khoa học của đề tài
 Giải quyết được vấn đề về học thuật: đề tài sẽ mang ý nghĩa cung cấp về mặt
lý thuyết để làm rõ về các phương pháp phân tích trang tài liệu.
 Đáp ứng được yêu cầu của thực tiễn: từ các lý thuyết đã được nghiên cứu, từ
đó liên hệ và gắn vào thực tiễn để có thể áp dụng vào các lĩnh vực như: Số hóa
tài liệu, lưu trữ thư viện, điện tử hóa văn phòng, nhận dạng và xử lý ảnh,
2.3.Nhiệm vụ nghiên cứu
Mục đích của luận văn đề cập được đến hai phần:
 Phần lý thuyết: Nắm rõ và trình bày những cơ sở lý thuyết liên quan đến cấu
trúc trang tài liệu, một số kỹ thuật phân tích trang tài liệu, từ đó có để có thể
xác định tính quan trọng của bước này trong nhận dạng ký tự, đồng thời hiểu
các công việc kế tiếp cần làm trong bước nhận dạng ký tự.
 Phần phát triển ứng dụng: Áp dụng các thuật toán đã trình bày ở phần lý thuyết
từ đó lựa chọn một giải pháp tối ưu và cài đặt thử nghiệm chương trình phân
tích trang tài liệu.
2.4. Phương pháp nghiên cứu
 Tìm kiếm, tham khảo, tổng hợp tài liệu từ các nguồn khác nhau để xây dựng
phần lý thuyết cho luận văn.
 Sử dụng các kỹ thuật được áp dụng phân tích trang tài liệu để làm rõ bản chất
của các vấn đề được đưa ra trong phần lý thuyết.
 Xây dựng chương trình Demo.
2.5. Phạm vi nghiên cứu
Bài toán phân tích trang tài liệu đã được phát triển với nhiều thành tựu trong
thực tế, có rất nhiều thuật toán tối ưu đã được các nhà khoa học đề nghị. Tuy nhiên
có thể nói chưa có một chương trình nào có thể “đọc” một ảnh văn bản như con
người, vì thực tế có rất nhiều kiểu trang văn bản khác nhau, khác nhau về cấu trúc 5

Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnu.edu.vn

trình bày, ngôn ngữ, kiểu font, chữ viết tay, Đây thực sự là một bài toán lớn,
chính vì thế trong phạm vi của luận văn chỉ tìm hiểu một số kỹ thuật phân tích trang
văn bản tiêu biểu với mục đích để so sánh với một thuật toán mới chưa được đưa ra
ở các đề tài trước. Cuối cùng, dựa vào đó để xây dựng Demo cho một ứng dụng.
Các kết quả nghiên cứu dự kiến cần đạt được:
 Tìm hiểu tài liệu liên quan đến lĩnh vực quan tâm để nắm bắt được bản chất
vấn đề đặt ra.
 Báo cáo lý thuyết
 Chương trình Demo.
3. Bố cục của luận văn
Nội dung của luận văn được trình bày trong ba chương với nội dung chính sau:
Chương 1: Trình bày nội dung trang văn bản và các phương pháp tiền xử
lý trang văn bản, cấu trúc trang tài liệu và quá trình phân tích trang tài liệu
Chương 2: Trình bày một số phương pháp phân tích trang tài liệu, từ đó
đánh giá ưu nhược điểm để lựa chọn kỹ thuật Tab-Stop cho chương trình thử
nghiệm.
Chương 3: Cài đặt chương trình Demo và đánh giá kết quả chương trình