Luận văn Thạc sỹ Khoa học máy tính: Phương pháp phân tích trang văn bản dựa trên Tabstop

1

Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên

ĐẠI HỌC THÁI NGUYÊN
TRƢỜNG ĐẠI HỌC CÔNG NGHỆ THÔNG TIN & TRUYỀN THÔNG




BÙI PHƢƠNG THẢO


PHƢƠNG PHÁP PHÂN TÍCH TRANG VĂN
BẢN DỰA TRÊN TAB-STOP


Chuyên ngành : Khoa học máy tính
Mã số : 60.48.01



Luận văn thạc sĩ khoa học máy tính



Ngƣời hƣớng dẫn khoa học:
TS. Nguyễn Đức Dũng

Thái Nguyên, 2012


2

Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên



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
ảnh.
3

Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên

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

 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. Phƣơng 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

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:
Chƣơng 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
Chƣơng 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.
Chƣơng 3: Cài đặt chương trình Demo và đánh giá kết quả chương trình
6

Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên

CHƢƠNG 1. NỘI DUNG TRANG VĂN BẢN VÀ CÁC PHƢƠNG PHÁP TIỀN XỬ
LÝ
Chương này đưa ra các khái niệm về đối tượng làm việc của đề tài là ảnh tài
liệu, khái niệm về cấu trúc vật lý và cấu trúc logic. Giới thiệu các khâu trong một hệ
thống nhận dạng chữ viết hoàn chỉnh. Đồng thời đưa ra một số phần mềm nhận
dạng của Việt Nam và Thế giới cùng với các mẫu kết quả phân tích của nó nhằm
mục đích so sánh và xác định phạm vi cho đề tài.
1.1. Ảnh tài liệu và nhận dạng ảnh tài liệu
1.1.1. Tổng quan về ảnh tài liệu
Trang ảnh tài liệu được đề cập ở đây là các file ảnh số hoá thu được bằng
cách quét các trang tài liệu dùng máy scanner, hoặc chụp từ các máy ảnh số, hay
nhận từ một máy fax (Hình 1), file ảnh này được lưu giữ trong máy tính. Ảnh tài
liệu có nhiều loại: ảnh đen trắng, ảnh đa cấp xám, ảnh đa cấp xám với các phần mở
rộng như TIF, BMP, PCX, …(Hình 2) và ảnh tài liệu được đưa ra trong luận văn
này là ảnh đa cấp xám.

Hình 1: Sơ đồ tổng quan quá trình tạo ảnh tài liệu

Tài liệu
Thiết bị thu nhận ảnh
Ảnh số tài liệu
7

Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên


Hình 2: Ví dụ ảnh tài liệu
1.1.2. Nhận dạng tài liệu và vai trò của phân tích ảnh tài liệu
Ngày nay, máy tính đang phát triển mạnh mẽ, tốc độ xử lý không ngừng
được nâng lên. Cùng với nó là sự ra đời của các phần mềm thông minh đã khiến
máy tính ngày một gần gũi với con người hơn. Một trong các khả năng tuyệt vời
của con người mà các nhà khoa học máy tính muốn đạt được đó là khả năng nhận
dạng và lĩnh vực nhận dạng thu được nhiều thành công nhất là nhận dạng ký tự
quang OCR–Optical Character Recognition. OCR có thể được hiểu là quá trình
chuyển đổi tài liệu dưới dạng file ảnh số hoá (là dạng chỉ có người đọc được) thành
tài liệu dưới dạng file văn bản (là tài liệu mà cả người và máy đều có thể đọc được).
OCR có rất nhiều ứng dụng hữu ích trong cuộc sống như:
- Sắp xếp thư tín, dựa vào việc nhận dạng mã bưu chính (Zipcode) hay địa chỉ
gửi tới.
- Tự động thu thập dữ liệu từ các mẫu đơn/báo biểu hay từ các hồ sơ lao động.
- Hệ thống tự động kiểm tra trong ngân hàng (tự động xác nhận chữ ký)
- Tự động xử lý các hóa đơn hay các yêu cầu thanh toán
- Hệ thống tự động đọc và kiểm tra passport
- Tự động phục hồi và copy tài liệu từ các ảnh quét.
- Máy đọc cho những người khiếm thính
- Các ứng dụng Datamining

- …

8

Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên

Sơ đồ một hệ thống OCR cơ bản ở Hình 3.
Trong đó:
- Scanner: Thiết bị quét ảnh
- OCR hardware/software:
o Document analysis: Phân tích tài liệu
o Character recognition: Nhận dạng ký tự
o Contexttual processor: Xử lý văn cảnh
- Output interface: Đầu ra
 Như vậy vai trò chính của khâu phân tích ảnh tài liệu là việc phân đoạn trang,
tách vùng văn bản ra khỏi nền và đồ họa tạo mẫu chuẩn cho khâu nhận dạng. Rõ
ràng là kết quả của khâu phân tích này ảnh hưởng rất lớn đến hiệu qủa của khâu
nhận dạng nếu sử dụng mẫu hay các chuỗi văn bản đầu ra của nó.

Hình 3: Sơ đồ OCR cơ bản
1.2. Cấu trúc của ảnh tài liệu
Một khái niệm mấu chốt trong xử lý tài liệu đó là cấu trúc của tài liệu. Cấu
trúc tài liệu thu được từ việc liên tiếp chia nhỏ nội dung của tài liệu thành các phần
nhỏ đơn vị (tức không thể phân chia được nữa) và chúng được gọi là các đối tượng cơ
sở (basic objects). Còn tất cả các đối tượng khác được gọi là các đối tượng hỗn hợp.
Có hai loại cấu trúc của tài liệu được quan tâm ở đây đó là cấu trúc vật lý
9

Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên

(hay bố cục vật lý) và cấu trúc logic mô tả mối quan hệ logic giữa các vùng đối
tượng trong tài liệu.
1.2.1. Cấu trúc vật lý
Bố cục vật lý của một tài liệu mô tả vị trí và các đường danh giới giữa các
vùng có nội dung khác nhau trong một trang tài liệu[6]. Quá trình phân tích bố cục
tài liệu là thực hiện việc tách từ một trang tài liệu ban đầu thành các vùng có nội
dung cơ sở như hình ảnh nền, vùng văn bản,…
Để mô tả bố cục vật lý của tài liệu người ta sử dụng một cấu trúc hình học
với mỗi đối tượng trong cấu trúc là một phần tử chỉ chứa nội dung đồng nhất. Các
kiểu đối tượng hình học được định nghĩa như sau[4]:
 Block là đối tượng cơ sở tương ứng với một vùng hình chữ nhật chứa một phần
nội dụng của tài liệu.
 Frame một đối tượng hỗn hợp tương ứng với một hình chữ nhật bao gồm một
hoặc nhiều block hoặc bao gồm các frame.
 Page là đối tượng hình học hoặc hỗn hợp các thành phần cơ sở tương ứng với
một vùng hình chữ nhật, nếu là đối tượng hỗn hợp nó chứa một hoặc nhiều
block, một hoặc nhiều frame.
 Page set (tập trang) là một tập của một hoặc nhiều page.
 Điểm gốc của cấu trúc (hay nút gốc) là một đối tượng ở mức cao nhất trong sơ
đồ phân cấp của cấu trúc hình học tài liệu. Hình 4(b) cho ví dụ một cấu trúc hình
học mô tả bố cục vật lý của trang tài liệu tương ứng.
Các thuật toán phân tích bố cục tài liệu có thể được chia làm ba loại chính
dựa theo phương pháp thực hiện của nó.
- Bottom-up: Ý tưởng chính của các thuật toán loại này là bắt đầu từ những
phần tử nhỏ nhất (như từ các pixel hay các phần tử liên thông) sau đó liên
tục nhóm chúng lại thành các vùng lớn hơn.
- Top-down: Thuật toán này bắt đầu từ vùng lớn nhất chứa cả trang tài liệu
sau đó liên tục phân chia thành các vùng nhỏ hơn.
10

Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên

- Các thuật toán không theo thứ bậc: như Fractal Signature, Adaptive split-
and-merge …













Hình 4: b-Cấu trúc vật lý: c,d-Cấu trúc logic của một tài liệu[4]
1.2.2. Cấu trúc logic
Ngoài bố cục vật lý, các trang tài liệu còn chứa đựng nhiều thông tin về ngữ
cảnh và nội dung như các tiêu đề, đoạn văn, đề mục, …và mỗi vùng nội dung này
lại được gán các nhãn logic hay nhãn theo chức năng tương ứng, khác biệt hoàn
toàn với các nhãn trong bố cục vật lý. Hầu hết các tài liệu đều có một quy tắc đọc để
có thể hiểu hết nội dung của tài liệu. Với một số ngôn ngữ đặc biệt như tiếng Trung,
tiếng Ả rập lại có quy cách đọc khác biệt (như đọc từ phải qua trái, trên xuống). Tập
hợp tất cả các yếu tố logic và chức năng trong một tài liệu và mối quan hệ giữa
chúng được gọi là cấu trúc logic của tài liệu[6]. Thông thường pha phân tích cấu
trúc logic của tài liệu được thực hiện trên kết quả của bước phân tích bố cục vật lý.
Tuy nhiên với một số loại tài liệu phức tạp, thì pha phân tích bố cục vật lý lại cần
thêm một số thông tin logic liên quan đến các vùng để có thể phân đoạn một cách

chính xác. Hình 4(c,d) mô tả một ví dụ cấu trúc logic của tài liệu.

11

Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên

1.3. Quá trình phân tích tài liệu
Ảnh tài liệu chứa rất nhiều loại vùng thông tin khác nhau như các block,
lines, words, figures, tables và background. Ta có thể gọi các vùng này theo chức
năng của nó trong tài liệu hoặc gán cho nó các nhãn logic như sentences, titles,
captions, address,… Quá trình phân tích tài liệu là thực hiện việc tách một tài liệu
thành các vùng theo một tiêu chuẩn hay mối quan hệ lẫn nhau nào đấy. Công việc
này được thực hiện qua nhiều bước như tiền xử lý, tách vùng, lặp cấu trúc tài
liệu,…
Một số loại tài liệu như báo, tạp chí, sách quảng cáo, chúng có cấu trúc và bố
cục rất phức tạp và không có một form chung nào cả (Hình 5). Với con người để có
thể đọc hiểu được một trang tài liệu còn cần thêm nhiều kiến thức bổ sung như ngôn
ngữ, hoàn cảnh, các luật ngầm định, vì thế việc tự động phân tích các trang tài liệu
một cách tổng quát là một việc rất khó khăn thậm chí là không khả thi ngay cả với
các hệ thống phân tích tài liệu tiên tiến nhất[6].

Hình 5: Ví dụ loại tài liệu có bố cục phức tap




12

Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên

Sơ đồ nguyên lý của một hệ thống tự động phân tích tài liệu như sau:

Hình 6: Sơ đồ nguyên lý hệ thống xử lý tài liệu[6]
1.3.1. Tiền xử lý (preprocessing):
Hầu hết các ảnh tài liệu đều có nhiễu do quá trình thu nhận ảnh gây ra (môi
trường, chất lượng máy quét, máy ảnh), vì thế trong quá trình xây dựng các thuật
toán phân tích cần loại bỏ các nhiễu này và công việc này thường được tiến hành
trước khi bắt đầu phân tích bố cục hay cấu trúc và gọi là Tiền xử lý. Nhiệm vụ
chính của bước này là loại bỏ nhiễu, tách nền ra khỏi nội dung, phát hiện và xoay
góc nghiêng,…
 Lọc nhiễu(noise removal):
Nhiễu luôn là một vấn đề trong hầu hết các bài toán đọc hiểu tài liệu. Nhiễu
sinh ra không chỉ do quá trình scan ảnh mà còn bao gồm cả các nhiễu trắng gây ra
từ chính sensor hay các mạch thu nhận trong các máy thu nhận ảnh số. Nhiễu có thể
được loại bớt sử dụng một số các kỹ thuật như lọc trung bình, lọc trung vị, lọc thông
thấp,…
 Tách nền (Background separation):
Đây là một vấn đề rất quan trọng ảnh hưởng trực tiếp đến hiệu quả của các
thuật toán phân tích tài liệu. Nếu đối với các loại tài liệu có nền đồng nhất đa cấp
13

Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên

xám trắng hoặc đen thì việc tách có thể thực hiện đơn giản bằng phép phân ngưỡng,
tuy nhiên trong thực tế rất nhiều ảnh tài liệu có nền rất phức tạp như ảnh hay đồ họa
(Hình 7) thì việc xác định các pixel nào thực sự thuộc về “phần nổi” là một công
việc khó khăn.
Ta có thể tách nền bằng một số kỹ thuật như sau:
- Gán mỗi điểm ảnh vào “phần nổi” hay phần nền dựa theo một tiêu chí
nào đấy (như ngưỡng mức xám, …)

- Dựa theo độ đo xác suất xuất hiện của mỗi điểm ảnh mà phân lớp nó vào
nền hay phần nổi
- Dựa vào các pixel liên thông kết hợp với mạng noron để phân tách.

Hình 7: a - Ảnh gốc b - Ảnh sau khi tách nền
 Xác định góc nghiêng:
Do quá trình thu nhận ảnh (như đặt lệch tài liệu khi scan,…) ảnh tài liệu thu
được rất có thể bị nghiêng, tức trục của các dòng văn bản không song song với trục
ngang (Hình 8). Việc xác định được góc nghiêng và xoay lại tài liệu là một khâu rất
quan trọng ảnh hưởng đến hiệu quả trong một số thuật toán phân tích. Ví dụ như các
thuật toán dựa theo biểu đồ sau phép chiếu nghiêng để tiến hành phân tích thì sẽ
hoàn toàn thất bại nếu văn bản bị nghiêng. Tuy nhiên việc có thể tự động ước lượng
được chính xác góc nghiêng của ảnh tài liệu là một bài toán khó.
Có nhiều kỹ thuật để có thể xác định được góc nghiêng của tài liệu, điểm
chung trong hầu hết các thuật toán là xác định góc nghiêng bằng việc xác định
hướng của các dòng văn bản dựa vào vị trí một số ký tự trong tài liệu.
1.3.2. Phân tích cấu trúc vật lý
Phân tích tài liệu được định nghĩa là quá trình xác định cấu trúc vật lý của
14

Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên

một tài liệu. Trong khâu này thì từ một ảnh tài liệu đầu vào sẽ được chia thành một
số khối (block) chứa các nội dung thành phần của tài liệu như các dòng văn bản,
tiêu đề, đồ họa, cùng với có hoặc không các tri thức biết trước về định dạng của
nó[6].
Có một số phương pháp phân tích và được phân ra làm hai loại như sau:
 Các phương thức có thứ bậc: Trong quá trình chia tài liệu thành các
block chúng ta quan tâm đến mối quan hệ về mặt hình học giữa các
block. Có ba phương pháp thuộc loại này là:

o Phân tích top-down (trên xuống)
o Phân tích buttom-up (dưới lên)
o Phân tích kiểu Adaptive split-and-merge (tách và nối thích nghi)
 Các phương pháp không có thứ bậc: Trong quá trình chia tài liệu thành
các khối chúng ta không quan tâm đến mối quan hệ hình học giữa các
block.


Hình 8: Ví dụ một ảnh tài liệu bị nghiêng một góc 5 độ
15

Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên

1.3.3. Phân tích cấu trúc logic
Từ kết quả của pha phân tích cấu trúc vật lý, phân tích cấu trúc logic sẽ đi
xác định mối quan hệ logic giữa các vùng đã được gắn nhãn như tiêu đề, văn bản,
đề mục, hearder,… Bước này là cơ sở cho việc nhận dạng ký tự.
Việc xác định được vị trí chính xác của mỗi vùng trong cấu trúc logic sẽ tăng
thêm thông tin cho quá trình nhận dạng như thông tin về ngữ cảnh, đoán nhận được
kiểu font và kích thước chữ nếu biết nó thuộc vùng tiêu đề, đề mục hay trong đoạn
văn,… (Hình 9)


Hình 9: Ví dụ một cây mô tả cấu trúc logic của một trang tài liệu[5]
1.4. Một số hệ thống phân tích tài liệu hiện nay
1.4.1. VnDOCR
Vndocr phần mềm nhận dạng tiếng Việt là một sản phẩm của Viện công
Nghệ thông tin. VnDOCR thu thập thông tin nhờ quá trình quét các loại sách báo
thông qua máy quét thành các tệp ảnh và chuyển đổi thành các tệp có định dạng
*.doc, *.xls, *.txt, *.rtf, có thể đọc và chỉnh sửa được trên các phần mềm soạn

document(page)
article(page)
article(page)
sub-title
paragraphs
abstract
sub-title
paragraphs
sub-title
paragraphs

16

Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên

thảo văn bản thông dụng như Office, Wordpad,… (Hình 10)
Môi trƣờng
 PC với hệ điều hành Windows 9x, ME, 2000, XP, NT,… Tiện ích: Bộ gõ chữ
Việt, bộ font ABC, VNI, Unicode,
Thông tin đƣa vào
 Quét trực tiếp các loại sách báo, văn bản qua máy quét (Scanner).
 Đọc và xử lý hơn 30 dạng tệp tin ảnh phổ dụng nhất như PCX, BMP, TIF, GIF,
JPG,
 Có thể nhận dạng trực tiếp tài liệu quét qua Scanner không cần lưu trữ dưới dạng
tệp ảnh trung gian. Các trang tài liệu có thể được quét và lưu trữ dưới dạng tệp
tin nhiều trang.
Các chức năng chính:
- Phân tích cấu trúc vật lý của tài liệu và đưa ra cấu trúc phân vùng
- Phân tích và nhận dạng chữ đầu ra là text có thể copy hay lưu trữ và soạn
thảo lại được.

Hình 10: VnDOCR và một ví dụ nhận dạng
17

Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên

Một số hạn chế: Tính đến phiên bản 4.0
- VnDOCR chỉ làm việc với ảnh đen trắng
- Với các ảnh có cấu trúc vật lý phức tạp VnDOCR cho kết quả còn hạn
chế (Hinh 11, 12)
Thí nghiệm 1:
- Với ảnh đầu vào như sau:

Hình 11: Ảnh mẫu có cấu trúc vật lý phức tạp
- Kết quả phân tích của VnDOCR không tim thấy vùng văn bản nào mà chỉ
khoanh vùng được 2 vùng ảnh (1,2) như Hình 12

Hình 12: Kết quả ra hai vùng ảnh với ảnh mẫu 11
18

Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên

Thí nghiệm 2:
Với ảnh đầu vào có cấu trúc vật lý đơn giản hơn (các vùng cơ sở có bao là
hình chữ nhật – Hình 13).



Hình 13: Mẫu ảnh có cấu trúc vật lý phức tạp, nhƣng các khối bao bởi
hình chữ nhật

19

Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên

Kết quả phân tích bởi VnDOCR bỏ sót một vùng văn bản và gộp nhầm 2
vùng ảnh vào vùng văn bản số 1 (Hình 14).

Hình 14: Kết quả phân tích với ảnh 13
1.4.2. OminiPage
OmniPage là phần mềm nhận dạng văn bản của NUANCE. Nó có thể chuyển
đổi các file ảnh tài liệu hay file PDF sang dạng file văn bản có thể đọc được bởi các
phần mềm soạn thảo như Office, với khả năng nhận dạng các ký tự la tinh chính xác
tới 99%.
Một số đặc tính chính:
- Nhận dạng chính xác tới 99% trên 119 ngôn ngữ khác nhau
- Nhận dạng cả các file vào là PDF
- Nhận dạng được các trang có nhiều loại font, kiểu font hoặc có nền là ảnh
mầu
20

Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên

- Một số hạn chế chính:
Chưa hiệu quả với các ảnh tài liệu có cấu trúc phức tạp.
Thí nghiệm 1:
Với ảnh đầu vào Hình-11 có kết quả như sau: Omnipage đoán nhận tất các
ảnh đều là vùng văn bản (Hình-15)
Thí nghiệm 2: Với ảnh đầu vào 13, tương tự như VnDOCR OmniPage vẫn phân
vùng sai (Hình 16)

Hình 15: Đầu ra phân vùng chỉ có 1 vùng văn bản
21

Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên



Hình 16: Đầu ra có vùng chứa cả ảnh và text
2.4.3. Finereader
Finereader là một sản phẩm ORC của ABBYY với một số tính năng chính sau:
- Cho phép kết nối và nhận dạng ảnh trực tiếp từ Camera.
- Nhận dạng được 38 ngôn ngữ khác nhau.
- Nhận dạng cả text trong đồ họa.
- Với 2 mẫu văn bản có cấu trúc phức tạp như trên thì Finereader đều cho
hiệu quả cao, nói chung Fineread đều có hiệu quả cao với các tài liệu có
bố cục phức tạp.

Vùng lỗ i

22

Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên



Hình 17: Với ảnh 13 đạt hiệu quả 90%


23

Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên

Hình 18 Với ảnh I-15 hiệu quả đạt 100%

Hình 19: Với mẫu phức tạp hơn Finereader cho kết quả 95%

Hạn chế chính của Finereader là tốc độ làm việc chậm so với 2 phần mềm kể trên.
I.5. Kết luận
Từ những kết quả ở trên phạm vi đề tài ở đây sẽ chỉ tập trung vào việc phân
tích cấu trúc vậy lý của một trang tài liệu (trình bày chi tiết ở chương 2). Để cải tiến
hơn, đối tượng của đề tài sẽ là ảnh màu có độ phức tạp cao.

24

Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên


CHƢƠNG 2. MỘT SỐ KỸ THUẬT XỬ LÝ TRANG VĂN BẢN
Với phạm vi đặt ra ở chương một và phần mở đầu là đề tài sẽ tập trung vào
giải pháp phân tích cấu trúc vật lý của trang tài liệu, chương 2 sẽ giới thiệu một số
phương pháp phân tích hiện nay, từ đó đưa ra và đánh giá được ưu nhược điểm của
mỗi phương pháp đó. Sau đó sẽ tập trung phân tích kỹ một phương pháp mới chưa
được trình bày ở các đề tài trước đó là Fractal Signature với những ưu điểm vượt
trội của nó là hiệu quả cao với tài liệu phức tạp, không phân biệt góc nghiêng. Đồng
thời thiết kế hệ thống demo với giải pháp mới này.
2.1. Các phƣơng pháp phân tích định dạng trang tài liệu
2.1.1. Top-down
a) Tổng quan
Ý tưởng chính của thuật toán là phân tách liên tiếp từ một trang ban đầu
thành các vùng cơ sở nhỏ hơn. Các khối cơ sở ở đây là các khối như đoạn văn, tiêu

đề, đồ họa,… Việc phân tách chúng thành các vùng riêng biệt dựa trên tiêu chí về
ngưỡng khoảng cách mà phương pháp phổ thông nhất là xác định thông qua kết quả
của phép chiếu nghiêng.
 Phép chiếu nghiêng theo hướng x bất kỳ: Thực chất là đi xác định lược đồ
xám bằng cách tính tổng các điểm ảnh đa cấp xám đen (hoặc trắng) theo
phương vuông góc với x dọc theo trục y. Trong thực tế x thường là phương
nằm ngang hay phương thẳng đứng so với trang văn bản.
Một ví dụ về phép chiếu nghiêng với một trang tài liệu cho ở Hình-20:
Trên lược đồ xám của phép chiếu nghiêng sẽ xuất hiện các điểm cực trị, với
phép chiếu nghiêng theo phương thẳng đứng ta dễ nhận thấy độ rộng của các đáy
chính là khoảng cách giữa hai dòng, với các độ rộng của đáy nào đó mà tần suất
xuất hiện ít hoặc vượt quá một ngưỡng chính là khoảng các giữa hai vùng văn bản.
Còn tại vị trí các đỉnh là trục của mỗi dòng văn bản.
Với phép chiếu nghiêng theo phương ngang ta có thể phân tách được các cột
hay các vùng cơ sở dựa vào ngưỡng khoảng cách của đáy (Hình-20). Cũng theo
25

Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên

nguyên tắc này nếu áp dụng phép chiếu nghiêng trên mỗi dòng văn bản ta cũng có
thể phân đoạn được các ký tự hoặc các từ dựa vào khoảng cách của đáy (ví dụ như
Hình-21).

Hình 20: Kết quả chiếu nghiêng theo phƣơng ngang và phƣơng thẳng đứng của
một trang tài liệu4