Nghiên cứu giải pháp tách bảng - tách ảnh trong phân tích trang tài liệu

ĐẠI HỌC QUỐC GIA HÀ NỘI
ĐẠI HỌC CÔNG NGHỆ
***


Tô Văn Khánh



Nghiên cứu giải pháp tách bảng-tách
ảnh trong phân tích trang tài liệu




LUẬN VĂN THẠC SĨ






Hà nội – 2007




ĐẠI HỌC QUỐC GIA HÀ NỘI
ĐẠI HỌC CÔNG NGHỆ
***

Tô Văn Khánh



Nghiên cứu giải pháp tách bảng-tách
ảnh trong phân tích trang tài liệu



LUẬN VĂN THẠC SĨ
NGƯỜI HƯỚNG DẪN KHOA HỌC:
PGS TS. Ngô Quốc Tạo










Hà nội – 2007

1
MỤC LỤC
MỤC LỤC 1
DANH MỤC CÁC THUẬT NGỮ VIẾT TẮT 3

DANH MỤC CÁC BẢNG BIỂU 4
DANH MỤC CÁC HÌNH VẼ 5
MỞ ĐẦU 7
CHƢƠNG 1 TỔNG QUAN HỆ PHÂN TÍCH TÀI LIỆU ẢNH 10
1.1. Giới thiệu chung một hệ phân tích trang tài liệu 10
1.2. Thu nhận ảnh (Data Capture) 13
1.3. Bƣớc xử lý điểm ảnh (Pixel – level processing) 13
1.3.1. Phương pháp nhị phân (Binarization) 13
1.3.2. Giảm nhiễu (Noise reduction) 14
1.3.3. Phân đoạn (Segmentation) 15
1.3.4. Làm mảnh và xác định vùng (Thinning and region detection) 16
1.3.5. Mã hóa CC và véctơ hóa (Chain coding and vectorization) 17
1.4. Bƣớc phân tích các đặc trƣng của tài liệu ảnh (Feature – level analysis) 18
1.5. Phân tích các đối tƣợng văn bản trong tài liệu 18
1.5.1. Ước lượng độ nghiêng của văn bản 19
1.5.2. Phân tích sơ đồ trình bày của trang tài liệu (Layout analysis) 20
1.6. Nhận dạng ký tự quang học (OCR) 22
1.6.1. Phương pháp 24
1.6.1.1. Trích chọn đặc trưng 24
1.6.1.2. Phân loại 24
1.6.2. Nhận dạng ký tự dựa trên ngữ cảnh 27
1.7. Phân tích các đối tƣợng ảnh trong tài liệu 28
1.8. Kết luận chƣơng 29
CHƢƠNG 2 THUẬT TOÁN TÁCH VĂN BẢN - ẢNH TỪ TRANG TÀI LIỆU
ẢNH 31
2.1. Giới thiệu 31
2.2. Những đặc trƣng chung của một tệp tài liệu ảnh 34
2.3. Thuật toán phân tách văn bản - ảnh 37
2.3.1. Xoá bỏ các đối tượng tuyến tính (đường thẳng) 37
2.3.2. Phân tích các thành phần liên thông của nét bút 39

2.3.3. Kết hợp các nét ký tự tạo thành các chuỗi văn bản 41
2.3.4. Thực hiện các phép toán hình thái 42
2.3.5. Phân tích các thành phần liên thông mới (NCCs) 42
2.3.6. Biểu diễn cấu trúc thông tin của các chuỗi văn bản 42

2
2.3.7. Thiết lập các tham số 43
2.4. Kết luận chƣơng 44
CHƢƠNG 3 THUẬT TOÁN TÁCH BẢNG T-RECS 46
3.1. Giới thiệu 46
3.2. Thuật toán phân đoạn khởi tạo 48
3.2.1. Trường hợp thuật toán nhận dạng sai cột 49
3.2.2. Cải tiến các bước của thuật toán phân đoạn khởi tạo - T-Recs++ 50
3.2.3. Những ưu điểm của thuật toán 52
3.2.4. Những mặt hạn chế của thuật toán khởi tạo 53
3.3. Các bƣớc xử lý khối sau khi phân đoạn 54
3.3.1. Trộn các khối phân đoạn sai 54
3.3.2. Phân tách các cột bị trộn vào một khối 55
3.3.3. Nhóm các từ bị phân tách 57
3.4. Phân tích khối 58
3.4.1. Khối loại 2 nằm cùng với khối loại 1 59
3.5. Xác định cấu trúc các cột, hàng 59
3.6. Kết luận chƣơng 59
CHƢƠNG 4 THỰC NGHIỆM 61
4.1. Nhận dạng đối tƣợng ảnh 61
4.1.1. Giới thiệu 61
4.1.2. Mô tả chương trình 62
4.1.3. Một số kết quả thử nghiệm 62
4.2. T-Recs++ 67
4.2.1. Giới thiệu 67

4.2.2. Mô tả chương trình 67
4.2.3. Một số kết quả thử nghiệm 69
KẾT LUẬN 72
TÀI LIỆU THAM KHẢO 74

3
DANH MỤC CÁC THUẬT NGỮ VIẾT TẮT
3 – D
3 Dimensions
CAD
Computer Aided Design
CAM
Computer Aided Manufacturing
CC
Chain Code
CCs
Connected Components
CPU
Control Processing Unit
DP
Dynamic Programming
HWRatio
Height Width Ratio
K – NNR
K – Nearest Neighbour Rule
LC
Linear Component
LSD
Local Stroke Density
NCCs

New Connected Components
NNR
Nearest Neighbour Rule
OCR
Optical Character Recognition
T-Recs
Table Recognition System
WBRatio
White Black Ratio
WDG
White-space Density Graphs

4
DANH MỤC CÁC BẢNG BIỂU
Bảng 1 Độ đậm của nét bút (LSD) của Hình 13. 35
Bảng 2 Tổng kết một số kết quả thực nghiệm nhận dạng đối tượng ảnh. 63
Bảng 3 Tổng kết một số kết quả thực nghiệm nhận dạng bảng. 70


5
DANH MỤC CÁC HÌNH VẼ
Hình 1. Sơ đồ khối của việc xử lý tài liệu 11
Hình 2. Các bước xử lý cho một hệ phân tích tài liệu, đi kèm sơ đồ là một thí dụ với các kết
quả thu được từ từng bước. 12
Hình 3. Phương pháp nhị phân ảnh. (a) Histogram của ảnh đa cấp xám nguyên bản. Trục
ngang biểu diễn các giá trị ngưỡng được chọn. Ảnh sau khi được nhị phân: (b) sử
dụng ngưỡng thấp, (c) ngưỡng hợp lý, (d) ngưỡng quá cao. 14
Hình 4. Ảnh nguyên bản bên trái và ảnh sau khi làm mảnh bên phải. (a) Ký tự “m”. (b) Một

sơ đồ. (c) Vân tay 17
Hình 5. Cửa sổ 3x3 điểm ảnh với điểm ảnh X nằm ở tâm. Các giá trị số biểu diễn cho hướng
mà một điểm láng giềng của X thuộc: 0 (tây), 1(tây - bắc), 2(bắc), 3(đông - bắc),
4(đông), 5(đông – nam), 6(nam), 7(tây – nam). 18
Hình 6. Biểu đồ Histogram của phép chiếu ngang và dọc của ảnh (a) và (b). 20
Hình 7. Kết quả phân tích cấu trúc và chức năng các khối của một trang tài liệu. Phân tích
cấu trúc sẽ cho kết quả là các khối riêng rẽ dựa trên khoảng trắng giữa các khối.
Nhận dạng chức năng và gãn nhãn cho các khối dựa trên quy tắc sắp xếp thông tin
của trang tài liệu. 21
Hình 8. Các ký tự viết bằng tay sẽ rất dễ nhầm lẫn 23
Hình 9. Sẽ không dễ dàng gì để phân tách và nhận dạng hai số 4,2 có các nét nối liền nhau
như trên 23
Hình 10. Các cấu trúc đặc trưng nét, tính lõm, lỗ hổng, các điểm cắt ngang và kết thúc có thể
được sử dụng làm các chiều của không gian đặc trưng để phân loại ký tự. 25
Hình 11. Các đặc trưng của ảnh ký tự được trích ra 26
Hình 12. Một số thí dụ nhầm lẫn giữa ký tự và ảnh 35
Hình 13. Thí dụ về văn bản và ảnh 35
Hình 14. Biểu diễn các điểm ảnh giao nhau 36
Hình 15. Một số trường hợp ngoại lệ 36
Hình 16. Sơ đồ khối thực hiện của thuật toán phân tách văn bản - ảnh 38
Hình 17. Phép toán kéo giãn trong việc nhận dạng các đường kẻ nghiêng. (a) ảnh nguyên
bản. (b) α = ±22.5. (c) α = ±45. (d) α = ±67.5 38
Hình 18. Dùng bút để tô các điểm ảnh thoả mãn (T5 = 12 với kích thước cỡ chữ là 20). 41
Hình 19. Các từ láng giềng của từ “consist” theo chiều dọc 48
Hình 20. Thuật toán phân đoạn khởi tạo đối với một đoạn văn bản 49
Hình 21. Trường hợp thuật toán nhận dạng sai cột 49
Hình 22. Trường hợp giữa các dòng của một cột trong bảng có ô trắng 50
Hình 23. Mô phỏng việc thực hiện các bước sau khi đã cải tiến thuật toán T-Recs++ 52
Hình 24. Kết quả nhận dạng các cột từ Hình 22 52
Hình 25. Quá trình phân đoạn các cột của bảng 52

Hình 26. Trường hợp một ô của bảng chiếm nhiều dòng 53
Hình 27. Những mặt hạn chế của thuật toán 54
Hình 28. Trộn hai khối bị phân tách 55
Hình 29. Tách các cột bị trộn 56
Hình 30. Trộn lại các khối con bị tách 56
Hình 31. Nhận biết các từ bị phân tách dựa vào các điểm phân lề 58
Hình 32. Tách các khối loại 1 thành các ô của bảng 58
Hình 33. Tách các khối loại 2 thành các hàng trong bảng 59
Hình 34. Giao diện của chương trình nhận dạng đối tượng ảnh 63

6
Hình 35. Kết quả nhận dạng một sơ đồ 64
Hình 36. Một thí dụ về ký tự tiếp xúc với đối tượng ảnh 64
Hình 37. Một thí dụ cho kết quả nhận dạng khá chính xác 65
Hình 38. Thí dụ một hình vẽ máy cơ khí 65
Hình 39. Thí dụ về một bản thiết kế 66
Hình 40. Thí dụ về sơ đồ một bộ điều chỉnh điện áp và mạch điện 66
Hình 41. Giao diện chương trình T-Recs++ 68
Hình 42. Kết quả xây dựng khối của T-Recs++ 69
Hình 43. Trường hợp nhận dạng có môi trường bảng 70
Hình 44. Trường hợp nhận dạng đối với một văn bản thông báo 71
Hình 45. Thí dụ về nhận dạng bảng điểm 71


7
MỞ ĐẦU
Ngày này khi máy tính phát triển, cùng với tốc độ và không gian lưu trữ trong
máy tính đã được nâng cấp lên rất nhiều. Việc lưu trữ số lượng khổng lồ tài liệu và xử
lý những nhiệm vụ phức tạp trên máy tính ngày càng nhiều. Những công việc văn
phòng hàng ngày đều liên quan đến tài liệu, một tài liệu không chỉ đơn giản được lưu

trữ mà nó cần phải được xử lý để có khả năng thay đổi, soạn thảo, chỉnh sửa và trích
chọn các thông tin quan trọng. Vì thế các hệ phân tích tài liệu ra đời, mục đích của
chúng là giúp biểu diễn thông tin trong các tài liệu ảnh, tài liệu giấy được đưa vào từ
máy quét dưới dạng có cấu trúc.
Một hệ phân tích và nhận dạng tài liệu ảnh có mục đích là chuyển đổi tự động
những thông tin lưu trữ trong tài liệu giấy thành biểu diễn dưới dạng những cấu trúc
mà có thể truy xuất, thay đổi được bằng máy tính. Quy trình xử lý của một hệ phân
tích tài liệu bắt đầu bằng việc lấy dữ liệu, các tài liệu từ giấy in sẽ được quét qua máy
quét để lưu trữ trong máy tính dưới dạng các tệp dữ liệu ảnh. Rõ ràng rằng khi máy
tính ra đời và phát triển đã giải quyết được nhiều vấn đề trong việc lưu trữ thông tin.
Theo ước tính trên thế giới, chỉ có một số lượng nhỏ tài liệu từ những thư viện giấy
khổng lồ được đưa lên mạng và vì vậy còn có một số lượng lớn những nguồn tri thức
của nhân loại đang được lưu trữ theo cách thức cổ điển trong những thư viện mà việc
bỏ ra chi phí duy trì (chủ yếu trả lương cho nhân viên) cho những nguồn tài liệu này là
rất lớn. Thông tin bây giờ không nhất thiết phải lưu trữ bằng giấy, một cách lưu trữ
không an toàn, không bền vững theo thời gian, thay vì đó nó được lưu trữ một cách ổn
định và an toàn trong máy tính. Do đó bằng cách này hay cách khác tài liệu giấy được
quét thành các tệp dữ liệu ảnh và được lưu trữ trong máy tính. Không chỉ đơn giản là
vấn đề lưu trữ, các tài liệu từ giấy in được đưa vào máy tính còn cần được xử lý và
trích chọn ra những thông tin quan trọng. Một tài liệu giấy in được đưa vào máy tính
còn yêu cầu có khả năng soạn thảo, hiệu chỉnh và khôi phục lại. Một tệp dữ liệu ảnh
cần phải chuyển được sang những định dạng khác để có khả năng soạn thảo, khi đó
phải đảm bảo các thông tin được chuyển sang từ tệp dữ liệu ảnh phải không bị mất đi,
không bị thiếu thông tin và cấu trúc vị trí của dữ liệu vẫn được giữ nguyên. Chẳng hạn
vị trí các đoạn văn bản, tiêu đề, các bảng dữ liệu, các vùng ảnh, .v.v phải được

8
chuyển sang đúng theo cấu trúc thể hiện trên tệp dữ liệu ảnh. Vì thế ngành nhận dạng
hay các hệ phân tích tài liệu ảnh ra đời và phát triển để giải quyết những vấn đề trên.
Một tài liệu ảnh là một cách biểu diễn trực quan của các trang tài liệu được in như

một bài tạp chí, một lá thư, một trang báo, một mẩu thư hay một bản vẽ kỹ thuật, .v.v
Một tài liệu ảnh có thể bao gồm các chuỗi ký tự, các hình vẽ, các bức ảnh, .v.v Bên
cạnh việc chuyển toàn bộ nội dung của tài liệu sang tài liệu điện tử cũng cần phải bảo
toàn cấu trúc và định dạng của tài liệu. Mục tiêu cơ bản của một hệ phân tích tài liệu
ảnh hoàn chỉnh đó là chuyển một tài liệu lưu trữ bằng giấy sang dạng biểu diễn có thứ
tự cấu trúc và nội dung của nó. Tài liệu được chuyển sang phải có khả năng thay đổi,
soạn thảo và lưu trữ bởi vì nội dung của tài liệu có thể truy cập bởi cấu trúc của nó
thay vì phải truy cập dưới dạng những mẫu ảnh. Có một số lượng lớn ứng dụng của hệ
phân tích tài liệu ảnh được ứng dụng trong các lĩnh vực như: dịch vụ bưu chính, chính
phủ, chăm sóc y tế, thư viện, .v.v
Một vài sản phẩm thương mại đã có chẳng hạn như các hệ nhận dạng quang học
OCR để nhận dạng các ký tự in, ký tự viết tay, các bảng biểu tuy nhiên vẫn cần nhiều
nghiên cứu để cải thiện độ chính xác của các hệ thống này. Một số sản phẩm chẳng
hạn như VnDOCR (của Việt Nam) cho phép nhận dạng các chuỗi văn bản, các bảng
biểu hay Omnipage, Find Reader .v.v là những sản phẩm nhận dạng nổi tiếng.
Bài toán nhận dạng bảng và các đối tượng ảnh trong tài liệu ảnh là những bài toán
khó và phức tạp. Trước đây các hệ phân tích tài liệu ảnh chỉ tập trung vào nhận dạng
các chuỗi ký tự, phân đoạn các khối văn bản. Ngày nay tài liệu không chỉ đơn thuần là
văn bản mà nó còn bao gồm hỗn hợp những đối tượng các chuỗi ký tự, ảnh, các hình
vẽ, sơ đồ, các bảng biểu .v.v Nhận dạng bảng là bài toán nhận dạng ra cấu trúc bảng
có trong trang tài liệu ảnh, bao gồm việc nhận dạng các cột, các dòng và các ô có chứa
dữ liệu trong bảng. Nhận dạng đối tượng ảnh là bài toán nhằm phân tách các đối tượng
ảnh trong những trang tài liệu ảnh có chứa hỗn hợp các đối tượng là chuỗi ký tự và các
đối tượng ảnh như: các sơ đồ, hình vẽ, bức ảnh .v.v Đã có rất nhiều phương pháp,
thuật toán tách bảng, tách ảnh được công bố trước đây. Tuy nhiên những nghiên cứu
trên những vấn đề đó đã và đang tiếp tục phát triển bởi vì chất lượng, độ chính xác,
tính hiệu quả của những phương pháp được công bố trước đây vẫn chưa thực sự hoàn
chỉnh và cần phải cải tiến chúng.

9

Luận văn bao gồm 5 phần chủ yếu tập trung vào trình bày những thuật toán nhận
dạng bảng và trích ra những đối tượng ảnh trong trang tài liệu ảnh.
Chương 1 trình bày ngắn gọn cấu trúc chung của một hệ phân tích tài liệu ảnh,
bao gồm các thành phần chính như: lấy dữ liệu, xử lý điểm ảnh, trích chọn đặc trưng,
nhận dạng đối tượng ảnh và nhận dạng văn bản.
Chương 2 trình bày một bài toán điển hình trong nhận dạng đó là bài toán phân
tách văn bản và ảnh một cách riêng rẽ. Trong chương này một thuật toán phân tách
văn bản và ảnh cũng sẽ được trình bày dựa vào việc phân tích các thành phần liên
thông (CCs).
Chương 3 đưa ra một thuật toán nhận dạng bảng theo phương pháp tiếp cận dưới –
lên (bottom – up). Thuật toán được đề xuất bởi Thomas G .Kieninger (1998) [15] được
đặt tên là T-Recs. Tuy nhiên để nhận dạng được chính xác các cấu trúc bảng thì thuật
toán còn nhiều hạn chế. Luận văn sẽ chỉ ra trường hợp hạn chế của thuật toán và đề
xuất thuật toán cải tiến T-Recs++.
Cuối cùng chương 4 trình bày hai chương trình thử nghiệm: Nhận dạng đối tượng
ảnh để tách các đối tượng ảnh ra khỏi trang tài liệu ảnh có lẫn văn bản và T-Recs++
dùng để nhận dạng bảng.
Phần kết luận nêu tóm tắt lại các vấn đề được đưa ra trong luận văn và đưa ra
những vấn đề còn tồn tại để nâng cao tính hiệu quả của những thuật toán. Các hướng
giải quyết và nghiên cứu trong tương lai đối với những phương pháp này cũng sẽ được
đưa ra.
Thuật toán T-Recs++ trình bày trong chương 3 được công bố trong báo cáo [1].
Ngoài bốn chương chính và phần kết luận, luận văn còn có thêm các danh mục
bao gồm: danh mục các từ viết tắt, danh mục bảng biểu, danh mục hình vẽ và tài liệu
tham khảo để thuận tiện cho việc đọc và tìm hiểu nội dung của luận văn.




10

CHƢƠNG 1
TỔNG QUAN HỆ PHÂN TÍCH TÀI LIỆU ẢNH
1.1. Giới thiệu chung một hệ phân tích trang tài liệu
Một hệ phân tích tài liệu ảnh nói đến một hệ thống bao gồm những thuật toán và
các kỹ thuật mà có thể áp dụng cho các tài liệu ảnh để lấy ra được các thông tin mà
máy tính có thể đọc được và hiểu được từ các điểm dữ liệu ảnh [3]. Một sản phẩm
phân tích tài liệu ảnh mà nhiều người biết đến đó là phần mềm Nhận dạng ký tự quang
học (OCR), phần mềm có khả năng nhận dạng các ký tự từ các loại tài liệu dưới dạng
ảnh. OCR giúp người dùng có khả năng soạn thảo và tìm kiếm nội dung của tài liệu.
Chương này sẽ mô tả tóm tắt các thành phần chính có trong một hệ phân tích tài liệu.
Mục đích của một hệ phân tích tài liệu là có khả năng nhận dạng ra các đối tượng
văn bản, đối tượng ảnh trong tài liệu ảnh và có khả năng trích chọn ra được các thông
tin mà người dùng mong muốn. Chúng ta có thể chia một hệ phân tích tài liệu thành
hai phần (Hình 1). Phần thứ nhất là xử lý văn bản, liên quan đến việc xử lý các đối
tượng văn bản: ký tự, chuỗi ký tự, các từ. Xử lý văn bản bao gồm các công việc sau:
xác định độ nghiêng của tài liệu (độ nghiêng hay độ xiên của tài liệu ảnh do tài liệu
được đặt không đúng khi thực hiện quét vào từ máy quét), tìm các cột, các đoạn văn
bản, các dòng văn bản, các từ và cuối cùng là nhận dạng văn bản (có thể thêm các
thuộc tính như loại phông chữ, kích thước của phông chữ) bởi phương pháp nhận dạng
ký tự quang học (OCR). Phần thứ hai là xử lý các đối tượng ảnh là các đối tượng tạo ra
từ các đường kẻ trong sơ đồ, các đường kẻ phân tách giữa các đoạn văn bản, các hình
vẽ, các lôgô của công ty… Sau khi áp dụng các kỹ thuật phân tích ảnh và văn bản, các
đối tượng cần nhận dạng trong tài liệu ảnh được trích ra và được biểu diễn dưới dạng
một tài liệu định dạng khác, chẳng hạn như word, html…
Chúng ta có thể xem xét 3 ví dụ cụ thể được chỉ ra dưới đây để thấy được sự cần
thiết của việc phân tích tài liệu:
1) Phần lớn các tài liệu văn bản trong văn phòng làm việc đều được tạo ra từ
máy tính, và thậm chí chúng được tạo ra bởi các máy tính, phần mềm khác
nhau, và do đó có thể định dạng của chúng là không tương thích với nhau.
Chúng có thể bao gồm các định dạng văn bản, các bảng dữ liệu và cũng có

11
thể là các văn bản viết bằng tay. Chúng có kích thước khác nhau, có thể từ
một tấm thẻ doanh nghiệp đến một ảnh vẽ kỹ thuật lớn. Một hệ phân tích
tài liệu sẽ giúp nhận dạng các loại tài liệu, có khả năng trích chọn ra được
các phần chức năng và có khả năng chuyển từ một định dạng máy tính này
sang một định dạng khác.
2) Một thí dụ khác là các máy phân loại thư tự động dùng để phân loại, sắp
xếp thư và nhận dạng địa chỉ thư. Những máy này đã có từ những thập kỷ
trước, nhưng ngày nay yêu cầu cao hơn đó là xử lý nhiều thư hơn, nhanh
hơn và yêu cầu chính độ xác cao hơn.
3) Hơn thế nữa trong những thư viện cổ điển trước đây (thư viện lưu trữ các
loại sách báo dưới dạng giấy tờ, vẫn còn tồn tại nhiều), việc các tài liệu bị
mất các thông tin, thiếu thông tin, số lượng bản sao hạn chế hay thậm chí
các tài liệu bị thoái hoá theo thời gian là những vấn đề phổ biến. Vì vậy
chúng cần phải được khôi phục và chỉnh sửa bằmg những kỹ thuật phân
tích tài liệu. Những ví dụ trên đã tạo ra thách thức và động lực cho sự phát
triển những giải pháp trong tương lai của một hệ phân tích tài liệu.

Hình 1. Sơ đồ khối của việc xử lý tài liệu
Các hệ phân tích tài liệu sẽ ngày càng phát triển và hiển nhiên là chúng sẽ có trong
các hệ xử lý tài liệu. Chẳng hạn như, hệ thống OCR sẽ được sử dụng rộng rãi để lưu
trữ, tìm kiếm và trích dẫn từ các tài liệu lưu trữ trên giấy. Các kỹ thuật phân tích cách
bố trí trong một trang tài liệu giúp nhận dạng những biểu mẫu (form) riêng biệt, hay
định dạng của một trang tài liệu và cho phép sao lưu tài liệu đó. Các sơ đồ có thể được
Xử lý tài liệu
Xử lý văn bản
Nhận dạng ký tự
quang học - OCR
Phân tích cấu

trúc trang
Xử lý đối tượng ảnh
Xử lý
dòng
Xử lý vùng và
biểu tượng
Văn bản
Xác định độ nghiêng,
dòng văn bản, các khối
văn bản, các đoạn văn bản
Đường thẳng,
đường cong, góc
Vùng được tô

12
đưa vào từ các bức ảnh hay vẽ bằng tay và có thể thay đổi, soạn thảo lại chúng. Sử
dụng máy tính có thể chuyển các tài liệu viết bằng tay thành các tài liệu điện tử được
lưu trữ trong máy tính. Các tài liệu được lưu trữ trong các thư viện, các tài liệu kỹ
thuật trong các công ty sẽ được chuyển đổi sang thành tài liệu điện tử nhằm nâng cao
hiệu quả, thuận tiện trong việc lưu trữ và dễ dàng mang đến cơ quan hay mang về nhà.
Mặc dù tài liệu sẽ ngày càng được xử lý và lưu trữ nhiều trong máy tính nhưng trên
thực tế có rất nhiều các hệ thống khác nhau mà tài liệu giấy là phương tiện làm việc
hiệu quả và chắc chắn rằng tài liệu giấy vẫn sẽ là phương tiện làm việc với chúng ta
trong một vài thập kỷ nữa. Vấn đề ở đây là làm sao chúng ta tích hợp những tài liệu
giấy vào trong máy tính xử lý.

Hình 2. Các bước xử lý cho một hệ phân tích tài liệu, đi kèm sơ đồ là một thí dụ với các kết
quả thu được từ từng bước.
Hình 2 minh hoạ cho các bước xử lý chung của một hệ phân tích tài liệu [3]. Sau
khi dữ liệu được tạo ra, tài liệu ảnh phải trải qua các bước xử lý điểm ảnh và phân tích

Phân tích đặc trưng
Mô tả tài liệu
Lấy dữ liệu
Xử lý điểm ảnh
Phân tích và nhận
dạng đối tượng ảnh

Trang tài liệu
Phân tích và nhận
dạng văn bản
10
7
điểm ảnh
7500 hình bao ký tự, mỗi ký tự
có kích thước 15x20 điểm ảnh
500 đường kẻ và đường cong với
độ dài từ 20 đến 2000 điểm ảnh
1000 vùng ảnh được tô với kích thước
từ 20x20 đến 200x200 điểm ảnh
500x5 đặc trưng của đường
thẳng và đường cong
10x5 đặc trưng vùng
Hai sơ đồ và 1 ảnh lô gô
của công ty,.v.v
7500x10 đặc
trưng của ký tự
1500x10 ký tự, 10
đoạn văn bản, 1 tiêu đề
chính và 2 tiêu đề phụ

13
đặc trưng và sau đó tách ra từng phần nhận dạng văn bản và ảnh riêng rẽ. Các phần sau
sẽ mô tả ngắn gọn các bước xử lý trên.
1.2. Thu nhận ảnh (Data Capture)
Dữ liệu trong các tài liệu giấy thường được quét qua máy quét và đưa vào máy
tính dưới dạng các tệp dữ liệu ảnh, chúng bao gồm các điểm ảnh (pixels) và mô hình
giống như lưới các điểm ảnh. Giá trị điểm ảnh có thể là 0 và 1 trong ảnh nhị phân, 0
đến 255 trong ảnh đa cấp xám và ảnh màu với 3 giá trị R, G, B từ 0 đến 255. Ở độ
phân giải thông thường thì có 120 điểm ảnh trong 1 centimet và với 1 trang có kích
thước 20 x 30 cm thì tạo ra một ảnh với 2400 x 3600 điểm ảnh. Do đó có thể thấy rằng
một tài liệu ảnh chỉ bao bồm các dữ liệu thô (giá trị các điểm ảnh) và chúng sẽ được sử
dụng những kỹ thuật phân tích thích hợp để lấy ra được các thông tin cần thiết.
1.3. Bƣớc xử lý điểm ảnh (Pixel – level processing)
Bước tiếp theo trong một hệ phân tích tài liệu là thực hiện một số thao tác xử lý
trên tài liệu ảnh thu được để chuẩn bị cho những bước phân tích sau này. Chẳng hạn
như các thao tác: chọn ngưỡng để chuyển ảnh đa cấp xám hay ảnh màu về dạng ảnh
nhị phân, giảm nhiễu để loại bỏ những dữ liệu không liên quan, phân đoạn để phân
tách các thành phần khác nhau trong ảnh và cuối cùng là làm mảnh hay dò biên để dễ
dàng xác định các vùng, các đặc trưng thích hợp và các đối tượng cần quan tâm. Sau
những bước xử lý ở trên, dữ liệu thường được biểu diễn dưới dạng nén lại như dùng
mã hoá CC và biểu diễn dưới dạng véctơ. Bước xử lý điểm ảnh (người ta cũng có thể
gọi là bước tiền xử lý (preprocessing) hay bước xử lý cấp thấp trong một số bài báo) sẽ
là chủ đề của phần này [3].
1.3.1. Phương pháp nhị phân (Binarization)
Với những ảnh đa cấp xám với các thông tin mà vốn đã ở dạng nhị phân chẳng
hạn như các chuỗi văn bản hay các đối tượng ảnh, thì phương pháp nhị phân thông
thường sẽ được thực hiện trước. Mục đích của phương pháp này là sẽ tự động chọn
một ngưỡng cần thiết để tách ảnh ra làm hai phần: thông tin ảnh và thông tin nền. Việc
lựa chọn một ngưỡng tốt (ngưỡng mà có thể phân tách ảnh thành hai phần: phần ảnh,
phần nền một cách chính xác) luôn là một quá trình khó và dễ gây ra lỗi (Hình 3). Điều

14
này sẽ đặc biệt khó trong các trường hợp khi độ tương phản giữa giá trị các điểm ảnh
văn bản và nền là thấp (chẳng hạn như văn bản được soạn thảo trên một nền xám thuần
nhất), khi nét của văn bản là mỏng hoặc là khi dữ liệu không được chiếu sáng tốt khi
thực hiện quét từ tài liệu giấy. Rất nhiều phương pháp đã được phát triển để khắc phục
những hạn chế trên, chẳng hạn như phương pháp tách ngưỡng tự động tìm ra giá trị θ
thích hợp để chia ảnh thành hai phần.

Hình 3. Phương pháp nhị phân ảnh. (a) Histogram của ảnh đa cấp xám nguyên bản. Trục
ngang biểu diễn các giá trị ngưỡng được chọn. Ảnh sau khi được nhị phân:
(b) sử dụng ngưỡng thấp, (c) ngưỡng hợp lý, (d) ngưỡng quá cao.
1.3.2. Giảm nhiễu (Noise reduction)
Xuất hiện các điểm nhiễu trong tài liệu ảnh là do nhiều nguyên nhân bao gồm sự
thoái hoá theo thời gian, sự sao chép, quá trình quét tài liệu từ máy quét. Một số kỹ

15
thuật xử lý ảnh sẽ được áp dụng để loại bỏ nhiễu. Sau khi được nhị phân hoá, tài liệu
ảnh sẽ được lọc để giảm nhiễu. Nhiễu muối và nhiễu hạt tiêu (Salt and Pepper noise) là
những loại nhiễu phổ biến nhất có trong các tài liệu kém chất lượng. Chúng xuất hiện
như những điểm ảnh khác biệt so với vùng xung quoanh, chẳng hạn các điểm ảnh
nhiễu ON (điểm mang thông tin ảnh) trong vùng nền OFF (điểm mang thông tin nền)
hay ngược lại các điểm ảnh OFF trong vùng nền ON và các cạnh gồ ghề của ký tự hay
các đối tượng ảnh. Các phép toán hình thái thường được sử dụng để loại bỏ nhiễu. Hai
phép toán hình thái cơ bản là giãn ảnh (Dilation) và co ảnh (Erosion). Co ảnh là
phương pháp làm giảm kích cỡ của vùng ON. Giãn ảnh là phương pháp ngược lại với
co ảnh, trong đó những điểm đơn ON thì tăng thêm. Các phép toán này thường được
kết hợp với nhau nhiều lần và áp dụng tuần tự co ảnh và giãn ảnh nhiều lần. Một trong
những phương pháp kết hợp đó được gọi là phép toán OPENING, sử dụng cùng một
số lần co ảnh và giãn ảnh. Kết quả của phép toán OPENING là vùng biên của đối

tượng nhẵn hơn, vùng eo nhỏ bị đứt và các vùng điểm nhiễu nhỏ được loại bỏ. Phép
toán đối xứng của OPENING là CLOSING. Nó thực hiện giãn ảnh cùng một số lần
với co ảnh. Kết quả thu được của phép toán CLOSING đó là vùng biên nhẵn hơn, loại
bỏ các lỗ hổng (holes) nhỏ trong đối tượng và nối liền các kẽ hở ngắn giữa các đối
tượng.
1.3.3. Phân đoạn (Segmentation)
Quá trình phân đoạn được thực hiện làm hai phần. Phần thứ nhất, tách ra thành
các lớp văn bản và ảnh riêng biệt nếu như trong tài liệu có chứa cả văn bản và ảnh.
Phần thứ hai là thực hiện phân tách trên hai lớp đối tượng vừa tách ở trên, với văn bản
xác định các cột, các đoạn văn bản, các từ và các ký tự; với lớp đối tượng ảnh thực
hiện phân tách các biểu tượng, các hình vẽ, các đường kẻ và các hình ảnh. Chẳng hạn
như một tài liệu ảnh có chứa các đoạn văn bản và các hình minh hoạ giống như một
trang tạp chí, đầu tiên văn bản và ảnh sẽ được tách riêng. Sau đó văn bản sẽ được tách
ra thành các chuỗi ký tự. Ảnh thì được tách ra các thành phần như hình chữ nhật, hình
tròn, các đường kẻ, biểu tượng .v.v Sau bước trên tài liệu ảnh sẽ phân tách ra thành
những đối tượng nhỏ hơn như các ký tự và các thành phần cơ bản của ảnh.

16
1.3.4. Làm mảnh và xác định vùng (Thinning and region detection)
Làm mảnh ảnh là một thao tác xử lý ảnh trong đó đối tượng ảnh được biểu diễn
như là những đường trục được gọi là đường tâm hay còn gọi là lấy xương của ảnh.
Một đối tượng ảnh khi đó chỉ được biểu diễn bởi đường xương của nó bằng việc giảm
bớt số lượng điểm ảnh có giá trị ON của đối tượng và vẫn đảm bảo tính chất liên thông
của đối tượng. Mục đích của việc làm mảnh ảnh là giảm bớt các thành phần mà chỉ lưu
trữ các thông tin thiết yếu phục vụ cho việc phân tích và nhận dạng sau này thuận tiện
hơn. Chẳng hạn như một đường kẻ thẳng có thể vẽ bằng tay với độ đậm của nét bút là
khác nhau nhưng có thể biểu diễn chúng giống nhau. Trong Hình 4, một số ảnh được
đưa ra trong đó nội dung của ảnh được phân tích bằng phương pháp làm mảnh và kết
quả làm mảnh của ảnh cũng được đưa ra. Chú ý rằng một số cuốn sách hay bài báo
cũng gọi làm mảnh ảnh bằng các thuật ngữ lấy xương ảnh hay lấy đường tâm của ảnh.

Trong khuôn khổ của luận văn này chúng ta sẽ dùng thuật ngữ “làm mảnh” (thinning).
Một thuật ngữ khác cũng liên quan đến thao tác làm mảnh ảnh đó là tìm “trục trung
vị”. Trục trung vị bao gồm các điểm ảnh của một vùng mà mỗi điểm ảnh có khoảng
cách bằng nhau tới hai điểm biên gần nó nhất. Tiêu chuẩn của trục trung vị chính là tư
tưởng chính của phương pháp làm mảnh ảnh. Tuy nhiên khái niệm trục trung vị chỉ
được xác định đối với những vùng ảnh liên tục, với trường hợp các mẫu ảnh không
liên tục một số kỹ thuật làm mảnh ảnh khác được đưa ra.
Lưu ý rằng nếu một hình tròn hay một hình vuông mà được tô kín bởi các điểm
đen thì kết quả làm mảnh những đối tượng trên sẽ là một điểm ảnh nằm tại tâm của
hình vẽ bất kể kích thước của đối tượng là như thế nào. Do đó có thể thấy rõ ràng rằng
việc xác định được vùng biên của đối tượng là rất quan trọng. Nói chung với các đối
tượng có kích thước lớn, dò biên là phương pháp lựa chọn thích hợp để biểu diễn đối
tượng, còn đối với những đối tượng được tạo thành bởi những nét kết nối dài thì làm
mảnh là phương pháp thích hợp hơn. Làm mảnh thường được sử dụng như là một quá
trình tiền xử lý đối với những ứng dụng phân tích tài liệu như xử lý sơ đồ hay bản đồ.
Với những đối tượng ảnh lớn mà vùng ảnh được tô đầy chẳng hạn như những lôgô thì
phương pháp dò biên đối tượng thích hợp hơn. Nhưng với những vùng nhỏ, chẳng hạn
từng ký tự riêng biệt thì cũng không phải phương pháp làm mảnh cùng không phải

17
phương pháp dò biên được thực hiện mà khi đó vùng ảnh sẽ được biểu diễn dưới dạng
mảng các giá trị của điểm ảnh.

Hình 4. Ảnh nguyên bản bên trái và ảnh sau khi làm mảnh bên phải.
(a) Ký tự “m”. (b) Một sơ đồ. (c) Vân tay.
1.3.5. Mã hóa CC và véctơ hóa (Chain coding and vectorization)
Khi một đối tượng được biểu diễn dưới dạng xương của ảnh hay bằng đường viền,
chúng có thể biểu diễn một cách hiệu quả hơn là lưu các điểm ảnh một cách đơn giản
các giá trị ON và OFF. Một trong những phương pháp lưu ảnh hiệu quả đó là lưu dưới
dạng mã xích CC (Chain Code – Freeman 1974), trong đó các điểm có giá trị ON được

biểu diễn thông qua tập các điểm láng giềng đi theo một hướng quy định. Thay vì phải
lưu trữ vị trí của điểm ảnh có giá trị ON chúng ta sẽ lưu trữ hướng của các điểm láng
giềng. Các điểm láng giềng của một điểm x là tất cả các điểm nằm liền kề với x thuộc
ma trận 3 x 3 với điểm x là tâm (Hình 5). Có hai ưu điểm khi biểu diễn giá trị điểm
ảnh theo hướng thay vì phải lưu vị trí của điểm ảnh. Thứ nhất đó là việc lưu trữ hiệu
quả hơn. Thông thường với những ảnh có kích thước lớn hơn 256 x 256, toạ độ giá trị
điểm ảnh ON thường được biểu diễn bởi 16 bít; trái lại với cách lưu trữ CC một điểm

18
láng giềng thuộc 1 trong tám hướng, do đó mỗi một điểm ảnh ON chỉ cần biểu diễn
bằng 1 byte hay thậm chí chỉ cần 3 bít để lưu. Một ưu điểm khác có thể thấy trong CC
đó là vì CC lưu theo cấu trúc các điểm ảnh có liên quan với nhau và do đó dựa vào
cách thức lưu trữ này có thể thực hiện các công việc xử lý như làm trơn các đường
cong và tính xấp xỉ các đường thẳng trơn.
Sau bước xử lý điểm ảnh, dữ liệu thô của ảnh đã được biểu diễn ở cấp độ trừu
tượng cao hơn: đã khoanh được vùng bao của chuỗi ký tự, biểu diễn CC và véctơ của
các đường cong và đường thẳng, hay đã xác định được vùng biên của các đối tượng.
3
2
1
4
X
0
5
6
7
Hình 5. Cửa sổ 3x3 điểm ảnh với điểm ảnh X nằm ở tâm. Các giá trị số biểu diễn cho hướng
mà một điểm láng giềng của X thuộc: 0 (tây), 1(tây - bắc), 2(bắc),
3(đông - bắc), 4(đông), 5(đông – nam), 6(nam), 7(tây – nam).
1.4. Bƣớc phân tích các đặc trƣng của tài liệu ảnh (Feature

– level analysis)
Sau bước xử lý trên các điểm ảnh, các đặc trưng của các đối tượng trên tài liệu
ảnh sẽ được trích chọn và phân tích để giúp ích cho những bước nhận dạng sau này.
Tại bước phân tích đặc trưng ảnh, dữ liệu ảnh làm mảnh và biểu diễn dưới dạng CC sẽ
được phân tích để xác định các đường thẳng, các đường cong và các điểm quan trọng
nằm dọc trên đường cong. Các đường cong thường được tính xấp xỉ bởi hình đa giác.
Các điểm quan trọng chẳng hạn các điểm góc và điểm bị uốn cong đều được xác định
để giúp ích cho việc phân tích nhận dạng các hình vẽ. Đối với các vùng giới hạn tương
ứng của từng ký tự riêng rẽ hay các biểu tượng ảnh, các đặc trưng nội tại như tỉ lệ hình
dáng, độ chặt của hình bao (tỉ lệ giữa diện tích và chu vi), tính không đối xứng, độ
đậm đặc của các điểm đen, tính trơn của đường viền, số lượng đường viền, số lượng
các đường thẳng giao nhau và các đường đầu mút đều được tính toán để làm dữ liệu
đầu vào phục vụ cho việc nhận dạng từng đối tượng.
1.5. Phân tích các đối tƣợng văn bản trong tài liệu
Có hai loại phân tích được áp dụng trong việc phân tích văn bản trong tài liệu ảnh.
Loại thứ nhất là nhận dạng ký tự quang học (OCR) để nhận dạng từng ký tự, các chuỗi

19
ký tự từ ảnh bitmap (bmp), loại thứ hai là phân tích sơ đồ trình bày của trang tài liệu
nhằm nhận biết được định dạng của văn bản, và từ đó hiểu được cấu trúc, vị trí, chức
năng của các khối văn bản (tiêu đề chính, tiêu đề phụ, đoạn văn bản, chú thích .v.v ).
Phụ thuộc vào cách sắp xếp của các khối văn bản, một trang văn bản có thể là một
trang tiêu đề, một bảng mục lục của tạp chí, một biểu mẫu kinh doanh, hay là một
phong bì thư. Nhận dạng ký tự quang học và phân tích sơ đồ trình bày có thể được
thực hiện một cách riêng rẽ, hay có thể lấy kết quả của phần này để sử dụng cho phần
kia. Nhận dạng ký tự quang học thường được nhận biết như là ứng dụng nhận dạng ký
tự viết tay hay các ký tự trong tài liệu in. Kỹ thuật phân tích sơ đồ trình bày được áp
dụng để phân tích định dạng của trang, một loại ứng dụng phân tích sơ đồ trình báy đó
là nhận dạng biểu mẫu, giúp phân tích và nhận dạng cấu trúc biểu mẫu và các văn bản
có trong biểu mẫu. Trong một số trường hợp người ta cần phải xác định độ nghiêng

của tài liệu bởi vì tài liệu được quét có thể bị nghiêng so với bề ngang của trang giấy
trong trường hợp tài liệu đó không được đặt đúng khi quét vào từ máy quét. Ước lượng
độ nghiêng và phân tích sơ đồ trình bày của văn bản sẽ được mô tả ngắn gọn trong
phần dưới đây. Phương pháp nhận dạng ký tự quang học sẽ được đề cập đến ở phần
sau.
1.5.1. Ước lượng độ nghiêng của văn bản
Một dòng văn bản bao gồm một nhóm các ký tự, biểu tượng, và các từ nằm liền kề
nhau, khá gần nhau và đều nằm trên cùng một đường thẳng (có thể theo chiều thẳng
đứng hay chiều dọc). Thông thường hướng của các dòng văn bản sẽ xác định độ
nghiêng của tài liệu. Bình thường một trang tài liệu sẽ có độ nghiêng là 0 khi mà các
dòng văn bản theo chiều ngang hay chiều dọc sẽ song song với các cạnh tương ứng
của trang tài liệu, tuy nhiên trong một số trường hợp khi một trang tài liệu được quét
hay sao chụp bằng tay, độ nghiêng của tài liệu khi đó sẽ khác 0. Vì các bước phân tích
như OCR hay phân tích sơ đồ trình bày phụ thuộc vào trang tài liệu đầu vào với độ
nghiêng là 0 do đó xác định độ nghiêng và điều chỉnh độ nghiêng của tài liệu là một
việc làm cần thiết trước khi thực hiện những bước trên. Một phương pháp xác định độ
nghiêng của tài liệu phổ biến đó là phép chiếu nghiêng. Phép chiếu nghiêng là phương
pháp tính số lượng điểm ảnh ON (điểm ảnh có giá trị 1 trong ảnh nhị phân) khi quét

20
ảnh theo các dòng hay các cột và lưu giá trị này vào một mảng, trong đó chỉ số của
mảng chính là dòng hay cột được quét. Do đó giá trị các điểm ảnh ON khi quét qua
trang ảnh sẽ được biểu diễn bởi một đồ thị tần suất. Mỗi một lần thực hiện phép chiếu
nghiêng ta sẽ chiếu ảnh theo các góc khác nhau (từ 0 đến 180 độ), tức là sẽ thực hiện
quay ảnh một góc tương ứng. Phép chiếu nghiêng thường được thực hiện theo chiều
ngang hoặc dọc và được gọi là các phép chiếu nghiêng theo chiều ngang, dọc tương
ứng (Hình 6). Với một tài liệu ảnh mà góc nghiêng bằng 0 thì các đỉnh của phép chiếu
biểu diễn các dòng có chứa ký tự, còn các vùng trũng biểu diễn cho khoảng không
gian trắng giữa các dòng. Để tìm được góc nghiêng của văn bản thì sẽ tìm góc quay
sao cho đồ thì tần suất có nhiều những đỉnh cao nhất và những vùng trũng nhất. Nếu

đồ thị tần suất có 10 đỉnh và 10 vùng trũng thì có thể suy ra rằng tài liệu ảnh có 10
dòng văn bản. Do đó với mỗi phép chiếu nghiêng ta sẽ tính số đo độ cao của các đỉnh
và số đo độ cao các vùng trũng, góc chiếu nào mà có sự khác nhau giữa hai số đo này
là lớn nhất thì chính là góc nghiêng của văn bản.




Hình 6. Biểu đồ Histogram của phép chiếu ngang và dọc của ảnh (a) và (b).
1.5.2. Phân tích sơ đồ trình bày của trang tài liệu (Layout analysis)
Sau khi xác định được độ nghiêng của trang tài liệu, ảnh sẽ được quay một góc để
độ nghiêng của trang bằng 0, sau đó quá trình phân tích sơ đồ trình bày của trang được

(a)
(b)

21

Hình 7. Kết quả phân tích cấu trúc và chức năng các khối của một trang tài liệu. Phân tích
cấu trúc sẽ cho kết quả là các khối riêng rẽ dựa trên khoảng trắng giữa các khối.
Nhận dạng chức năng và gãn nhãn cho các khối dựa trên quy tắc sắp xếp thông tin
của trang tài liệu.
thực hiện. Phân tích cấu trúc trình bày được thực hiện để lấy ra được cấu trúc các khối
văn bản (các đoạn văn bản) trong tài liệu. Tuỳ thuộc vào định dạng của từng loại tài
liệu, quá trình phân đoạn có thể thực hiện phân tách các từ, các dòng văn bản hay cấu
trúc các khối (nhóm các dòng văn bản, chẳng hạn các đoạn văn bản hay các bảng danh
mục). Thông thường người ta dựa vào quy tắc sắp xếp thông tin trong trang tài liệu để

22
nhận dạng từng khối và gán nhãn cho chúng. Một thí dụ đưa ra kết quả sau khi phân

tích trang đầu tiên của một tài liệu kỹ thuật bao gồm: tên tài liệu, tác giả, tóm tắt, từ
khoá, các đoạn trong thân văn bản .v.v Hình 7 đưa ra một thí dụ với kết quả sau khi
đã thực hiện phân tích cấu trúc và gán nhãn cho các khối trên một trang tài liệu ảnh.
Phân tích cấu trúc của trang có thể sử dụng phương pháp tiếp cận trên - xuống [9] hay
tiếp cận dưới – lên [10]. Với phương pháp tiếp cận từ trên - xuống, một trang tài liệu
được phân tách từ các thành phần lớn xuống các thành phần nhỏ hơn, chẳng hạn trang
tài liệu có thể phân tách thành các cột, sau đó các cột được phân tách thành các đoạn
văn bản, từ các đoạn văn bản lại tách ra thành các dòng văn bản, sau đó tách các từ
.v.v Với phương pháp tiếp cận từ dưới – lên, các thành phần liên thông được trộn với
các ký tự để nhận dạng từ, các từ lại được trộn với nhau để tạo thành các dòng văn
bản, từ các dòng văn bản xây dựng thành các đoạn văn bản .v.v Một cách lần lượt,
hai phương pháp trên có thể kết hợp cùng nhau để phân tích cấu trúc của tài liệu.
1.6. Nhận dạng ký tự quang học (OCR)
Nhận dạng ký tự quang học (OCR) là phần cốt lõi của ngành nhận dạng, trong đó
mục đích của OCR là nhận biết được các chuỗi ký tự từ bảng chữ cái. Các ký tự trong
bảng chữ cái thường có rất nhiều kiểu viết khác nhau. Trên thực tế các ký tự thường
được viết bằng nhiều kiểu khác nhau tuỳ thuộc vào kích cỡ, loại phông chữ và nét bút
viết tay của từng người. Mặc dù các ký tự có thể viết theo nhiều cách nhưng có lẽ rằng
vẫn có những quy tắc xác định để nhận biết từng ký tự. Phát triển những thuật toán
trên máy tính để nhận biết các ký tự trong bảng chữ cái là một nhiệm vụ trọng tâm của
OCR. Nhưng thách thức đối với vấn đề này đó là – trong khi con người có thể nhận
dạng gần như chính xác 100% các ký tự viết tay thì OCR vẫn chưa thể đạt tới được
điều này.
Khó khăn đối với OCR thể hiện qua một số đặc điểm. Sự gia tăng số lượng và
kích cỡ của phông chữ trong bảng chữ cái, không ràng buộc các kiểu chữ viết tay, các
ký tự nối liền nhau, các nét bị đứt, các điểm nhiễu .v.v tất cả chúng làm cho quá trình
nhận dạng gặp khó khăn. Hình 8 chỉ ra một thí dụ giữa số „0‟ và số „6‟ rất dễ nhầm lẫn
khi chúng được viết bằng tay. Một từ cũng có thể hoàn toàn là các con số, chẳng hạn

23

các số điện thoại, hay hoàn toàn là các ký tự trong bảng chữ cái hoặc có thể trộn lẫn
giữa chữ cái và số.

Hình 8. Các ký tự viết bằng tay sẽ rất dễ nhầm lẫn

Hình 9. Sẽ không dễ dàng gì để phân tách và nhận dạng hai số 4,2
có các nét nối liền nhau như trên
Do đó quá trình nhận dạng sẽ càng trở nên khó khăn hơn khi các ký tự liền kề
trong một chuỗi nối liền nét (Hình 9). Các ký tự nối liền nét là điều rất bình thường và
mang ý nghĩa gắn kết (như ký tự gạch nối), khi nối một ký tự số với một ký tự chữ cái
viết hoa trong một từ viết tắt thì sẽ rất khó nhận dạng.