Luận văn: Ứng dụng xử lý ảnh trong phân tích Chứng Minh Thư Nhân Dân (ĐH Công Nghệ)

Phân tích và nhận dạng ảnh CMND/CCCD chuẩn xác. Hướng dẫn xử lý ảnh CMND để đạt chất lượng tốt nhất, giúp quá trình xác minh nhanh chóng, dễ dàng.

• Tác giả: Lê Đức Hiếu
• Người hướng dẫn: PGS. Ngô Quốc Tạo
• Trường học: Đại học Quốc gia Hà Nội - Trường Đại học Công nghệ
• Chuyên ngành: Công nghệ thông tin
• Đề tài: Ứng Dụng Một Số Kỹ Thuật Xử Lý Ảnh Trong Phân Tích Chứng Minh Thư Nhân Dân
• Loại tài liệu: Luận văn thạc sĩ
• Năm xuất bản: 2012
• Địa điểm: Hà Nội

Mục lục chi tiết

• Lời cam đoan
• Danh mục hình vẽ
• Danh mục bảng biểu
• Danh mục thuật toán
• 1. Chương 1: Tổng quan về phân tích ảnh tài liệu
• 1.1. Tổng quan về hệ thống nhận dạng ảnh tài liệu
• 1.2. Phân tích ảnh tài liệu
• 1.3. Bố cục tự nhiên và cấu trúc lôgic
• 1.4. Phân loại ảnh tài liệu
• 1.5. Phân tích bố cục
• 1.5.1. Hướng tiếp cận trên-xuống
• 1.5.2. Hướng tiếp cận dưới-lên
• 1.6. Phân tích cấu trúc
• 1.7. Kết luận chương
• 2. Chương 2: Một số thuật toán tiền xử lý ảnh
• 2.1. Nhị phân ảnh
• 2.1.1. Phân loại các phương pháp xác định ngưỡng T
• 2.1.2. Một số phương pháp xác định ngưỡng T
• 2.2. Hiệu chỉnh độ nghiêng của trang văn bản
• 2.2.1. Phương pháp dựa trên biến đổi Hough
• 2.2.2. Phương pháp láng giềng gần nhất (nearest neighbours)
• 2.2.3. Phương pháp sử dụng chiếu nghiêng (project profile)
• 2.3. Các toán tử hình thái (Morphological operations)
• 2.4. Kết luận chương
• 3. Chương 3: Phương pháp phân tích Giấy chứng minh nhân dân
• 3.1. Giới thiệu bài toán
• 3.2. Tách các trường thông tin ở mặt trước
• 3.2.1. Tiền xử lý ảnh
• 3.2.2. Tách trường Số CMND
• 3.2.3. Tách các trường thông tin còn lại
• 3.3. Tách các trường thông tin ở mặt sau
• 3.3.1. Tiền xử lý ảnh
• 3.3.2. Xác định cấu trúc bảng
• 3.3.3. Tách trường thông tin
• 3.4. Kết luận chương
• 4. Chương 4: Cài đặt thử nghiệm và đánh giá
• 4.1. Môi trường cài đặt
• 4.2. Dữ liệu kiểm thử
• 4.3. Kết quả thực nghiệm
• Tài liệu tham khảo

Tóm tắt

I. Tổng Quan Xử Lý Ảnh CMND Giới Thiệu và Ứng Dụng Tiềm Năng

Nhận dạng mẫu là một lĩnh vực quan trọng của học máy, tập trung vào việc phân loại dữ liệu thành các lớp khác nhau. Ứng dụng của nhận dạng mẫu ngày càng mở rộng, từ tự động hóa quy trình sản xuất đến dự báo thời tiết và các hệ thống máy tính thông minh. Một trong những ứng dụng phổ biến hiện nay là phân tích và nhận dạng ảnh tài liệu, nhằm số hóa các trang tài liệu giấy như sách, báo, tạp chí. Bài toán này đã được giải quyết gần như trọn vẹn và có nhiều sản phẩm thương mại như VnDOCR của Viện công nghệ thông tin hay FineReader của ABBYY. Bên cạnh đó, còn có lớp bài toán riêng biệt cho từng ngành, từng lĩnh vực cụ thể, như: phân tích và nhận dạng bảng biểu, phiếu điều tra, mẫu điền thông tin, danh thiếp, hộ chiếu. Đối với lớp bài toán này, việc phân tích cấu trúc của ảnh tài liệu là đặc biệt quan trọng, bởi vì nó sẽ quyết định đến việc tách và nhận dạng chính xác các trường thông tin cần thiết cho từng ứng dụng cụ thể. Trên thế giới đã có nhiều sản phẩm phần mềm phân tích và nhận dạng ảnh thẻ chứa thông tin cá nhân, như hộ chiếu, danh thiếp, được ứng dụng rộng rãi. Tuy nhiên, ở Việt Nam, Giấy Chứng minh nhân dân (CMND) là loại thẻ được sử dụng phổ biến nhất, nhưng chưa có giải pháp nào được đưa ra cho việc phân tích và nhận dạng CMND. Luận văn này đề xuất một phương pháp phân tích ảnh CMND dựa trên việc phân tích và nhận dạng biểu mẫu. Luận văn gồm bốn chương, bao gồm tổng quan về phân tích ảnh tài liệu, các thuật toán tiền xử lý ảnh, phương pháp phân tích Giấy chứng minh nhân dân, và cài đặt thử nghiệm và đánh giá. Hệ thống nhận dạng mẫu là chìa khóa cho các ứng dụng này. Tác giả Lê Đức Hiếu đã nghiên cứu vấn đề này một cách chi tiết trong luận văn của mình.

1.1. Hệ Thống Nhận Dạng Ảnh Tài Liệu Các Bước Cơ Bản

Một hệ thống nhận dạng ảnh tài liệu điển hình bao gồm các bước: thu nhận và lưu trữ ảnh, tiền xử lý ảnh, phân tích ảnh, nhận dạng, hậu xử lý và lưu văn bản. Thu nhận và lưu trữ ảnh liên quan đến việc sử dụng các thiết bị ghi nhận hình ảnh như máy quét, máy ảnh kỹ thuật số và lưu trữ dưới dạng các file hình ảnh với định dạng và kiểu ảnh phù hợp. Tiền xử lý ảnh bao gồm các kỹ thuật xử lý ảnh để nâng cao chất lượng của ảnh đầu vào, như khử nền, xóa nhiễu, làm trơn ảnh, và căn chỉnh độ nghiêng của trang tài liệu. Phân tích ảnh là quá trình phân tách ảnh thành các vùng và hiểu vai trò chức năng của mỗi vùng. Nhận dạng là thao tác gán nhãn các đối tượng dựa trên các tri thức đã được học. Hậu xử lý bao gồm ghép các ký tự đã được nhận dạng thành các từ, các câu, các đoạn và phát hiện các lỗi nhận dạng. Cuối cùng, văn bản được lưu ở các định dạng file được hệ thống hỗ trợ. Các bước này rất quan trọng để đảm bảo kết quả nhận dạng được chính xác. Hệ thống cần tối ưu hóa các bước này cho CMND.

1.2. Phân Tích Ảnh Tài Liệu Bố Cục Tự Nhiên và Cấu Trúc Logic

Phân tích ảnh tài liệu là việc phân tách tài liệu thành các vùng và hiểu vai trò chức năng cũng như mối quan hệ giữa các vùng. Bố cục tự nhiên của ảnh tài liệu đề cập đến hình bao và vị trí tự nhiên của các vùng khác nhau. Phân tích bố cục tự nhiên là quá trình phân tách 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: tiếp cận bottom-up (dưới-lên) và tiếp cận top-down (trên-xuống). Cấu trúc logic của tài liệu là tập các thực thể logic hoặc chức năng trong tài liệu, với các quan hệ bên trong của nó. Phân tích cấu trúc logic là việc biểu diễn kết quả của phân tích cấu trúc bố cục. Trong nhiều tài liệu phức tạp, phân tích bố cục cũng cần một số thông tin logic để việc phân đoạn được chính xác. Do sự khác biệt này cần thiết trong một CMND điện tử.

1.3. Phân Loại Ảnh Tài Liệu Mức Độ Phụ Thuộc vào Bố Cục

Dựa trên mức độ phụ thuộc của tài liệu vào bố cục tự nhiên hay cấu trúc logic, ảnh tài liệu được chia làm 4 loại: Loại 1 phụ thuộc nhiều vào bố cục tự nhiên (ví dụ: biểu mẫu ứng dụng, ngân phiếu). Loại 2 phụ thuộc vào cấu trúc logic hơn (ví dụ: thẻ danh mục, thư từ). Loại 3 phụ thuộc vào bố cục tự nhiên nhưng cấu trúc phức tạp hơn (ví dụ: bảng biểu). Loại 4 phụ thuộc vào mối quan hệ giữa các trường (ví dụ: trang báo, bài báo). Mỗi loại có những đặc điểm riêng cần được xem xét khi phân tích. Các loại ảnh tài liệu này phải được hệ thống xử lý một cách hiệu quả. CMND thuộc loại nào và có các đặc điểm cần được chú ý.

II. Thách Thức Xử Lý Ảnh CMND Khó Khăn và Vấn Đề Cần Giải Quyết

Việc tách và nhận dạng các trường thông tin trên CMND gặp một số vấn đề khó khăn. Các trường thông tin có thể bị lệch so với dòng chuẩn hoặc chờm lên phần tiêu đề đã được in trước. Nét chữ không đều nhau giữa các CMND, thậm chí là trong cùng một CMND, chữ quá đậm hoặc quá mờ. CMND có thể bị ố, mốc, nhàu, nát. Ở mặt trước, trong một số trường hợp hoa văn nền khá rõ nét trong khi nét chữ lại quá mờ, khó có thể phân biệt đâu là nét chữ đâu là hoa văn nền. Ở mặt sau, dấu mầu đỏ và chữ ký đè cả lên phần Ngày cấp và Nơi cấp, làm mờ đi một phần thông tin trên hai trường này. Chất lượng ảnh kém là một vấn đề lớn trong xử lý ảnh CMND.

2.1. Yêu Cầu Bài Toán Tách Trường Thông Tin CMND Chính Xác

Yêu cầu của bài toán là từ ảnh CMND mầu được quét bằng máy quét với độ phân giải 300 dpi, tách lấy các trường thông tin: Số CMND, Họ tên, Ngày sinh, Nguyên quán, Nơi thường trú, Dân tộc, Ngày cấp và Nơi cấp. Các trường thông tin này nằm trên cả hai mặt của CMND, mà mỗi mặt lại có các đặc điểm khác nhau. Cần đảm bảo độ chính xác cao trong quá trình tách các trường thông tin này để đảm bảo tính tin cậy của hệ thống. Điều này cần được hệ thống tự động hóa một cách chính xác.

2.2. Đặc Điểm Mặt Trước CMND Hoa Văn Nền Phức Tạp và Sai Lệch

Mặt trước CMND có các hoa văn nền khá rõ nét, gây khó khăn cho việc tách các trường thông tin. Các trường thông tin cũng có thể bị lệch so với dòng chuẩn hoặc chờm lên phần tiêu đề đã được in trước. Trường Số CMND có mầu đỏ nổi bật, nhưng các trường còn lại có mầu đen và có thể bị mờ do hoa văn nền. Để giải quyết vấn đề này, cần áp dụng các kỹ thuật tiền xử lý ảnh hiệu quả để khử đi các thành phần nền phức tạp. Các sai lệch cần được hệ thống tự động căn chỉnh.

2.3. Đặc Điểm Mặt Sau CMND Cấu Trúc Bảng và Dấu Mực Chồng Lấn

Mặt sau CMND có cấu trúc dạng bảng, các trường thông tin được phân bổ vào các ô của bảng. Tuy nhiên, dấu mầu đỏ và chữ ký có thể đè lên trường Ngày cấp và Nơi cấp, làm mờ đi một phần thông tin trên hai trường này. Để tách được các trường thông tin yêu cầu, cần xác định được cấu trúc bảng sau đó mới tách các trường thông tin này. Các dấu mực chồng lấn cần được hệ thống nhận diện và xử lý.

III. Phương Pháp Tiền Xử Lý Ảnh CMND Nâng Cao Chất Lượng Ảnh

Để giải quyết các vấn đề nêu trên, cần áp dụng các kỹ thuật tiền xử lý ảnh để nâng cao chất lượng ảnh đầu vào. Quá trình tiền xử lý ảnh bao gồm các công đoạn khôi phục và tăng cường ảnh: lọc ảnh, khử nhiễu, xoay ảnh, lọc độ tương phản, làm trơn ảnh, nhị phân ảnh. Trong đó các thao tác nhị phân ảnh, căn chỉnh độ nghiêng và xóa nhiễu là các thao tác cơ bản nhất và thường được áp dụng. Tiền xử lý ảnh là bước quan trọng để đảm bảo kết quả nhận dạng chính xác.

3.1. Nhị Phân Ảnh Chuyển Đổi Ảnh Đa Cấp Xám Thành Ảnh Nhị Phân

Nhị phân ảnh là thao tác chuyển từ ảnh đa cấp xám (hoặc ảnh mầu) về ảnh nhị phân, ảnh chỉ có hai mầu (đen và trắng) – tương ứng với nền và tiền cảnh (đối tượng “quan tâm”). Cơ bản của thuật toán nhị phân ảnh là xác định một ngưỡng T để phân tách giữa nền và đối tượng trong ảnh. Việc xác định một ngưỡng T thích hợp luôn là một quá trình khó khăn và dễ gây ra lỗi. Có rất nhiều phương pháp để xác định ngưỡng phân tách T, có thể chia ra làm 6 nhóm. Phương pháp Niblack xác định ngưỡng T cho mỗi điểm ảnh riêng biệt, trong khi phương pháp Otsu ngưỡng T được xác định cho toàn bộ ảnh. Ngưỡng nhị phân cần được chọn một cách cẩn thận.

3.2. Hiệu Chỉnh Độ Nghiêng Căn Chỉnh Ảnh Bị Lệch

Các ảnh thu nhận được thường bị lệch so với ảnh gốc một góc bất kỳ. Do đó, để cho các bước xử lý tiếp theo được chính xác, cần phải có thao tác hiệu chỉnh độ nghiêng của ảnh thu nhận được. Việc xác định góc nghiêng là thao tác quan trọng nhất và khó khăn nhất. Có rất nhiều phương pháp khác nhau để xác định góc nghiêng: phương pháp dựa trên biến đổi Hough, phương pháp láng giềng gần nhất (nearest neighbours) và phương pháp sử dụng chiếu nghiêng (project profile). Mỗi phương pháp có ưu và nhược điểm riêng. Căn chỉnh độ nghiêng giúp tăng độ chính xác của quá trình nhận dạng.

3.3. Các Toán Tử Hình Thái Xóa Nhiễu và Làm Nét Ảnh

Các toán tử hình thái được áp dụng đối với ảnh nhị phân, sử dụng các toán tử tập hợp: hợp, giao, trừ và lấy phần bù. Các thao tác xử lý dựa trên những đặc trưng hình dáng của đối tượng dưới sự giám sát của phần tử cấu trúc. Tất cả các toán tử hình thái đều là sự phối hợp của hai toán tử cơ bản: giãn ảnh (dilation) và co ảnh (erosion). Phép opening và closing là hai phép toán đối xứng nhau, thường được sử dụng để xóa nhiễu và làm nét ảnh. Xóa nhiễu rất quan trọng để cải thiện chất lượng ảnh.

IV. Phương Pháp Phân Tích Mặt Trước CMND Tách Trường Thông Tin

Các trường thông tin cần tách ở mặt trước bao gồm: Số CMND, Họ tên, Ngày sinh, Nguyên quán, Nơi thường trú. Trường Số CMND có mầu đỏ nổi bật so với các trường khác, nên có thể dựa vào đó để tách trường Số CMND trước, sau mới đó tách các trường còn lại dựa vào vị trí tương đối của nó so với trường Số CMND. Mặt khác, do ở mặt trước CMND có các hoa văn nền khá rõ nét nên cần các thao tác tiền xử lý ảnh hiệu quả để khử đi các thành phần nền phức tạp này. Tách trường thông tin mặt trước đòi hỏi sự kết hợp của nhiều kỹ thuật xử lý ảnh.

4.1. Tách Trường Số CMND Dựa Vào Màu Sắc và Vị Trí

Để tách trường Số CMND, trước tiên cần làm mổi bật các vùng có mầu đỏ trong ảnh, sau đó tìm và tách vùng Số CMND, cuối cùng là loại bỏ các đường lượn sóng. Để xác định các vùng có thể là trường Số CMND, cần làm nổi bật những vùng có mầu đỏ trong ảnh, sau đó tách lấy các vùng này. Dòng “GCMND” có đặc điểm nổi trội hơn hẳn, có độ dài lớn nhất, ít bị mờ hoặc nhoè trong quá trình sử dụng và nằm ngay bên trên trường Số CMND nên có thể dựa vào dòng này để xác định trường Số CMND. Màu sắc là một yếu tố quan trọng trong việc tách trường Số CMND.

4.2. Phân Đoạn Vùng Số CMND Loại Bỏ Đường Lượn Sóng

Trong phần này sẽ tiến hành phân đoạn để loại bỏ đi những đường lượn sóng nằm ngang trong khi vẫn phải giữ được các đặc trưng nét bút của chữ số. Việc này là rất khó khăn, bởi vì các chữ số có thể bị nhoè mờ và nét chữ có độ đậm nhạt thay đổi, trong khi các đường lượn sóng lại có bề dày khác nhau, thậm chí là tương đồng với bề dày nét bút. Cần ước lượng bề dày và làm mờ đường lượn sóng trước khi tiến hành phân đoạn. Đường lượn sóng cần được loại bỏ một cách hiệu quả.

4.3. Tách Các Trường Thông Tin Còn Lại Sử Dụng Mặt Nạ Dòng

Các trường thông tin còn lại (Họ tên, Ngày sinh, Nguyên quán, Nơi thường trú) được phân bố trên 7 dòng. Để tách các dòng này, từ ảnh nhị phân thu được ở bước tiền xử lý và vị trí của dòng “GCMND”, xác định cửa sổ “mặt nạ” của các dòng, sau đó cố gắng lọc lấy các đối tượng (ký tự) thuộc mặt nạ dòng. Vị trí của các dòng thông tin còn lại được xác định thông qua vị trí tương đối của chúng so với dòng “GCMND”. Mặt nạ dòng giúp xác định vị trí của các trường thông tin.

V. Phương Pháp Phân Tích Mặt Sau CMND Xác Định Cấu Trúc Bảng

Mặt sau của CMND có cấu trúc dạng bảng, các trường thông tin được phân bổ vào các ô của bảng: trường Dân tộc ở ô trên cùng, trường Ngày cấp và Nơi cấp ở ô dưới cùng bên phải. Do vậy, để tách được các trường thông tin yêu cầu cần xác định được cấu trúc bảng sau đó mới tách các trường thông tin này. Cấu trúc bảng là yếu tố quan trọng để phân tích mặt sau CMND.

5.1. Xác Định Cấu Trúc Bảng Tìm Đường Kẻ Ngang và Dọc

Để xác định cấu trúc bảng, cần tìm các đường kẻ ngang/dọc và tạo lại cấu trúc bảng. Các phương pháp tìm đường kẻ được sử dụng để xác định vị trí và kích thước của các ô trong bảng. Việc xác định cấu trúc bảng là bước quan trọng để tách các trường thông tin chính xác. Việc này cần tối ưu hóa để hệ thống hoạt động hiệu quả.

5.2. Tách Các Trường Thông Tin Loại Bỏ Tiêu Đề và Nhiễu

Sau khi xác định được cấu trúc bảng, tách lấy các dòng thông tin và loại bỏ phần tiêu đề của mỗi dòng. Các phương pháp tách dòng và lọc nhiễu được sử dụng để trích xuất các trường thông tin cần thiết. Tiêu đề và nhiễu cần được loại bỏ để có được thông tin chính xác.

VI. Kết Luận và Hướng Phát Triển Tương Lai Xử Lý Ảnh CMND

Luận văn đã trình bày một phương pháp phân tích ảnh CMND dựa trên việc phân tích và nhận dạng biểu mẫu. Phương pháp này bao gồm các bước tiền xử lý ảnh, tách trường Số CMND, phân đoạn vùng Số CMND, tách các trường thông tin còn lại ở mặt trước, xác định cấu trúc bảng và tách các trường thông tin ở mặt sau. Các kỹ thuật xử lý ảnh đã được sử dụng để nâng cao chất lượng ảnh và trích xuất các trường thông tin cần thiết. Tuy nhiên, vẫn còn nhiều vấn đề cần được giải quyết để nâng cao độ chính xác và hiệu quả của hệ thống. Xử lý ảnh CMND có nhiều tiềm năng phát triển trong tương lai.

6.1. Đánh Giá Hiệu Quả Phương Pháp Kết Quả Thử Nghiệm

Cần thực hiện các thử nghiệm để đánh giá hiệu quả của phương pháp đề xuất. Các chỉ số đánh giá bao gồm độ chính xác, độ tin cậy và thời gian thực hiện. Kết quả thử nghiệm sẽ cho thấy ưu và nhược điểm của phương pháp và các hướng cải thiện trong tương lai. Độ chính xác cần được cải thiện liên tục.

6.2. Hướng Phát Triển Ứng Dụng Trí Tuệ Nhân Tạo

Trong tương lai, có thể ứng dụng các kỹ thuật trí tuệ nhân tạo, như học sâu, để nâng cao độ chính xác và khả năng nhận dạng của hệ thống. Các mô hình học sâu có thể được huấn luyện để nhận dạng các trường thông tin trên CMND với độ chính xác cao hơn và khả năng chống nhiễu tốt hơn. Trí tuệ nhân tạo là một hướng phát triển đầy tiềm năng.

Trích đoạn nội dung tài liệu

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. TIEU LUAN MOI download : [e-mail] -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. TIEU LUAN MOI download : skknchat@gmail. 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.

TIEU LUAN MOI download : [e-mail] -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 TIEU LUAN MOI download : [e-mail] -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. TIEU LUAN MOI download : [e-mail] -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. Ví dụ điển hình của kỹ thuật này là thuật toán X-Y Cut [7], bắt đầu chia ảnh tài liệu thành các phần dựa vào các khe lõm của các hình chiếu (Hình 1.