1、隨著電子信息化進程的加快和互聯(lián)網(wǎng)的快速發(fā)展，圖像資源正海量的增長。越來越多的文檔以圖像的形式進行存儲。文檔圖像中除了純文本文檔圖像和純表格文檔圖像外還有很多在文本中包含表格或圖像的文檔。如何對這些非純文本內(nèi)容的文檔圖像進行檢索值得進行深入的研究。
　　針對純文本文檔的檢索技術主要提取與文本或字符有關的特征，這些特征對于文本中有表格或圖像的文檔圖像則不適用。針對表格提取的特征同樣不適用于文檔中的文本部分。對于文本占主體同時包含表格或

2、圖像的文檔圖像，充分利用文本部分和非文本部分的特征，并且把兩部分的特征很好的結(jié)合起來才能有效的表達圖像。
　　本文提出綜合文檔版面分析、全局特征以及局部特征的方法對文本圖像進行特征提取和檢索。在特征提取前首先對文檔圖像進行預處理。由于種種原因，文檔以圖像存儲時可能會產(chǎn)生噪聲或發(fā)生傾斜，這些干擾將影響到文檔圖像的特征提取，因此對文檔圖像進行預處理很有必要。本文通過對文檔圖像預處理的研究，對文檔圖像進行二值化、去噪、傾斜校正操作，使得

3、文檔圖像便于特征提取。在特征提取時，分析文檔的版面特征，把文檔分為純文本文檔、包含表格的文檔和包含圖像的文檔。針對純文本文檔和非純文本文檔中的文本部分，提取全局段落特征和局部像素特征;針對非純文本文檔中的表格部分，提取其相對空間位置特征和表格單元格框架特征;針對圖像部分提取其空間位置特征和投影直方圖特征。然后將所提取到的特征相結(jié)合作為文檔圖像的綜合特征，以此作為對文檔圖像檢索的依據(jù)。
　　檢索前，把圖像庫中文檔圖像的特征按文檔類型

4、的不同存到相應的特征庫中。在檢索時，根據(jù)文檔的類型，把提取的文檔圖像特征與特征庫中相應類型的特征進行匹配，根據(jù)特征向量之間距離的大小檢索出最相似的圖像。
　　實驗時分別對純文本文檔、包含表格的文檔和包含圖像的文檔三種類型的文檔進行檢索，通過與針對文本文檔的檢索方法和針對表格文檔的檢索方法進行對比，實驗結(jié)果表明:通過對文檔進行版面分析并把文檔分成不同的類型，然后針對每一種類型分別提取全局和局部特征，最后對提取的特征進行綜合的方法對非