Chương 1: Tổng quan về phân tích ảnh tài liệu 1. Tổng quan về hệ thống nhận dạng ảnh tài liệu Một hệ thống nhận dạng ảnh tài liệu gồm các bước sau (Hình 1. 1): Ảnh Thu nhận và lưu trữ ảnh Tiền xử lý ảnh Phân tích ảnh Nhận dạng Hậu xử lý Lưu văn bản Văn bản Hình 1. 1 Sơ đồ hệ thống nhận dạng Thu nhận và lưu trữ ảnh: Các trang tài liệu được thu nhận thông qua các thiết bị ghi nhận hình ảnh (máy quét, máy ảnh kỹ thuật số,…) và được lưu trữ dưới dạng các file hình ảnh (*.
Tuỳ từng ứng dụng cụ thể mà chọn định dạng file và kiểu ảnh (ảnh mầu, ảnh đa cấp xám, ảnh đen/trắng,…) cho phù hợp. LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com -13- Tiền xử lý ảnh: Do các tài liệu gốc thường có chất lượng khác nhau (có thể bị mờ, ố,…) hoặc quá trình thu nhận ảnh chịu ảnh hưởng của môi trường nên ảnh thu nhận được thường có chất lượng không đồng nhất. Để đảm bảo kết quả nhận dạng được chính xác cần áp dụng các kỹ thuật xử lý ảnh để nâng cao chất lượng của ảnh đầu vào. Các kỹ thuật thường được sử dụng là khử nền, xoá nhiễu, làm trơn ảnh, căn chỉnh độ nghiêng của trang tài liệu… Phân tích ảnh: Là quá trình phân ly ảnh thành các vùng (văn bản, hình ảnh, bảng biểu,…) và hiểu vai trò chức năng của mỗi vùng cũng như mối quan hệ của nó với các vùng khác.
Đây là một trong những công đoạn quan trọng nhất của một hệ thống nhận dạng vì nó ảnh hưởng rất lớn đến kết quả nhận dạng. Nhận dạng: Đây là thao tác gán nhãn các đối tượng dựa trên các tri thức đã được học, hay nói cách khác là việc tìm một lớp mẫu phù hợp nhất với đối tượng đầu vào. Hậu xử lý: Bao gồm các công việc như: ghép các ký tự đã được nhận dạng thành các từ, các câu, các đoạn nhằm khôi phục lại văn bản như ban đầu, đồng thời phát hiện các lỗi nhận dạng bằng việc kiểm tra chính tả dựa trên cấu trúc và ngữ nghĩa của câu, đoạn văn. Lưu văn bản: Sau khi đã tái tạo được nguyên bản của tài liệu, cần lưu chúng ở các định dạng file được hệ thống hỗ trợ (như: *.
Phân tích ảnh tài liệu Một ảnh tài liệu bao gồm nhiều thành phần khác nhau như các khối văn bản, hình ảnh, bảng biểu, sơ đồ, công thức,… và chúng có thể được gán cho các nhãn lôgic hay chức năng khác nhau như nhan đề, tiêu đề, tên và địa chỉ tác giả,… Quá trình phân tích ảnh tài liệu là việc cố gắng phân ly tài liệu thành các vùng và hiểu vai trò chức năng cũng như mối quan hệ giữa các vùng [5]. Các ảnh tài liệu thường được tạo ra từ các tài liệu thực bởi quá trình số hoá sử dụng máy quét hoặc máy ảnh kỹ thuật số. Nhiều tài liệu như báo, tạp chí, quảng cáo có bố cục rất phức tạp do sự sắp đặt của hình ảnh, nhan đề và đầu đề, nền phức tạp, định dạng văn bản có tính nghệ thuật,… (Hình 1. 2) Một người đọc sử dụng một loạt các thông tin bổ xung như ngữ cảnh, quy ước và thông tin ngôn ngữ/kịch bản, cùng với quá trình lý luận phức tạp để giải mã nội dung của tài liệu.
Tự động phân tích một tài liệu tuỳ ý với bố cục phức tạp là một nhiệm vụ vô cùng khó khăn và vượt ngoài khả năng của các hệ thống phân tích bố cục và cấu trúc tài liệu tiên tiến. Bởi vì các tài liệu này được thiết kế để hiệu quả và rõ ràng đối với sự phân tích của con người hơn các ảnh có trong tự nhiên. LUAN VAN CHAT LUONG download : add luanvanchat@agmail. 2 Ví dụ ảnh tài liệu có bố cục phức tạp Như vậy, chúng ta cần phân biệt giữa bố cục tự nhiên và cấu trúc lôgic của tài liệu, và cũng có thể chia quá trình phân tích ảnh tài liệu làm hai phần tương ứng.
3 mô tả các bước của một hệ thống phân tích ảnh tài liệu. Bố cục tự nhiên và cấu trúc lôgic Bố cục tự nhiên của ảnh tài liệu là đề cập đến hình bao và vị trí tự nhiên của các vùng khác nhau trong ảnh tài liệu. Phân tích bố cục tự nhiên là quá trình phân ly ảnh tài liệu thành các dãy các vùng đồng nhất, như: hình ảnh, khối văn bản, dòng văn bản, từ, ký tự,… Có hai hướng tiếp cận chính để phân tích bố cục: Hướng tiếp cận bottom-up (dưới-lên): bắt đầu từ các thành phần nhỏ nhất của tài liệu (như điểm ảnh, thành phần liên thông), lặp đi lặp lại quá trình gom nhóm chúng thành các khối đồng nhất lớn hơn. Ngược lại, hướng tiếp cận top-down (trên-xuống) lại bắt đầu từ cả trang ảnh tài liệu, cố gắng chia nó thành các vùng nhỏ hơn.
Mỗi cách tiếp cận đều có ưu/nhược điểm riêng và làm việc tốt trong những trường hợp nhất định, tuỳ thuộc vào từng bài toán cụ thể mà chọn phương pháp thích hợp. Ngoài ra một số tác giả còn đề xuất các hướng tiếp cận lai, sử dụng cả hai cách tiếp cận ở trên. Ngoài bố cục tự nhiên, các tài liệu còn chứa các thông tin bổ xung về nội dung của nó như: nhan đề, tiêu đề,… Mặt khác, mỗi tài liệu có các thứ tự đọc khác nhau (như: các ngôn ngữ Ả Rập đọc từ trái qua phải, tiếng Trung Quốc lại đọc từ trên xuống dưới,…), giúp cho việc hiểu tài liệu dễ dàng hơn. Một tập các thực thể lôgic hoặc chức năng trong tài liệu, với các quan hệ bên trong của nó được hiểu là cấu trúc lôgic của tài liệu.
LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com -15- Phân tích cấu trúc lôgic là việc biểu diễn kết quả của phân tích cấu trúc bố cục. Tuy nhiên trong nhiều tài liệu phức tạp, phân tích bố cục cũng cần một số thông tin lôgic để việc phân đoạn được chính xác. Tiền xử lý ảnh Ảnh Nhị phân Chỉnh Xoá nhiễu tài liệu ảnh độ nghiêng Phân tích ảnh Đánh giá Tài liệu Phân tích Phân tích hiệu năng đã phân cấu trúc bố cục đoạn Tập mẫu Hình 1. 3 Sơ đồ hệ thống phân tích bố cục và cấu trúc ảnh tài liệu 1.
Phân loại ảnh tài liệu Dựa trên mức độ phụ thuộc của tài liệu vào bố cục tự nhiên hay cấu trúc lôgic, người ta chia làm 4 loại ảnh tài liệu (Hình 1. 4) [6]: Loại 1: Quá phụ thuộc vào bố cục tự nhiên. Vị trí, độ dài của các trường dữ liệu là được ấn định trước. Ví dụ như các biễu mẫu ứng dụng, ngân phiếu, danh sách câu hỏi,… Loại 2: Phụ thuộc vào cấu trúc lôgic hơn là bố cục tự nhiên.
Cụ thể, vị trí của mỗi trường có thể di chuyển lên/xuống hoặc sang trái/phải từ vị trí bình thường so với các trường có liên quan hoặc các trường trước đó. Ví dụ như thẻ danh mục, thư từ, danh thiếp. Loại 3: Phụ thuộc vào bố cục tự nhiên như loại 1, nhưng cấu trúc phức tạp hơn (các trường phân cấp hoặc lặp đi lặp lại) hoặc bố cục được hướng dẫn bởi các yếu tố khác (ví dụ như các đoạn thẳng, các vùng trống,…). Vị trí, độ dài mỗi trường là gần như cố định.
Ví dụ như bảng biểu. Loại 4: Vị trí và độ dài của các trường phụ thuộc vào mối quan hệ của các trường. Nói chung, mặc dù cấu trúc chung của tài liệu là đã được định nghĩa trước bởi bố cục tự LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com -16- nhiên, nhưng cấu trúc thực tế lại phụ thuộc vào mối quan hệ giữa các trường. Cụ thể, loại này liên quan đến bố cục tự nhiên của toàn bộ tài liệu, cũng như cấu trúc lôgic về vị trí và hình dạng.
Ví dụ như các trang báo, các bài báo. Bố cục biểu mẫu ứng dụng, tự nhiên ngân phiếu, bảng biểu,… danh sách câu hỏi,… [Loại 3] [Loại 1] thẻ danh mục, thư từ, danh thiếp,… [Loại 2] trang báo, bài báo, … [Loại 4] Cấu trúc lôgic Hình 1. 4 Các loại ảnh tài liệu 1. Phân tích bố cục Mục đích chính của phân tích bố cục tự nhiên của ảnh tài liệu (sau đây gọi tắt là phân tích bố cục) là xác định các vùng “tự nhiên” khác nhau trong tài liệu và các đặc trưng của nó.
Sự phân chia các vùng này là được dựa trên tính đồng nhất của chúng, một vùng tối đa trong ảnh tài liệu là miền đồng nhất tối đa của ảnh tài liệu. Thuộc tính của tính đồng nhất được dùng để phân loại các vùng, chẳng hạn như: khối văn bản, hình ảnh, đồ họa, dòng văn bản, từ,… Các vùng này không loại trừ lẫn nhau và một vùng có thể chứa nhiều vùng không cùng loại bên trong nó. Các bước của phân tích bố cục bao gồm: Phân đoạn vùng: Là việc chia một hình ảnh tài liệu thành các vùng thành phần, khi mà thuộc tính của tính đồng nhất không còn thoả mãn nữa. Tính đồng nhất thường được định nghĩa dựa trên một vectơ tham số, , có vai trò quan trọng trong sự thành công của thuật toán.
Điều này cũng đúng cho phương pháp tiếp cận từ dưới lên, khi chúng ta cố gắng để nhóm các thành phần nhỏ hơn vào các vùng. Tính toán vectơ tham số, , hoạt động tốt cho tất cả các tài liệu thường là điều không thể. Các phương pháp hiện nay cố gắng điều chỉnh các thông số dựa trên thông tin phản hồi từ các bước xử lý phía sau như nhận dạng ký tự. LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com -17- Phân loại vùng: Là việc quyết định xem các vùng đã phân đoạn được thuộc loại nào.
Bài toán điển hình là phân loại các vùng vào khối văn bản hay hình ảnh và nhận ra đâu là các đối tượng đồ hoạ, đâu là các bảng biểu. Phân loại vùng là điều kiện kiên quyết để xử lý nhiều loại vùng, vì mỗi loại vùng thì có các đặc trưng khác nhau nên cần các thuật toán khác nhau để xử lý. Có rất nhiều thuật toán đã được đề xuất để thực hiện phân tích bố cục của ảnh tài liệu. Bây giờ chúng ta sẽ xem xét một số thuật toán phổ biến để minh họa cho các hướng tiếp cận ở trên.
Hướng tiếp cận trên-xuống Hình 1. 5 Hình chiếu ngang và dọc của ảnh tài liệu Một kỹ thuật cơ bản của hướng tiếp cận trên-xuống là sử dụng hình chiếu theo phương ngang và dọc để chia ảnh tài liệu đầu vào thành các vùng nhỏ hơn.