Un identificador de áreas de texto en documentos de texto e imagen
Alfredo Moreno-Aurioles Villechenous, Rafael Sepúlveda Moreno-Aurioles
Resumen:
Partiendo de un fichero grafico que puede contener tanto imágenes como texto, realizamos un tratamiento que nos permite diferenciar las áreas que solo contienen líneas de texto de las demás. Para esto comenzamos transformamos los valores de la imagen en una matriz de ceros y unos, obteniendo primero la imagen en escala de grises y realizando posteriormente una binarizacion. Cuando tenemos la matriz, obtenemos todas las componentes conexas que contiene la imagen, almacenando el rectángulo que engloba a cada una de estas. Creando al mismo tiempo un histograma de alturas que será usado en el siguiente paso. Ahora realizamos una unificación de cajas aplicando un algoritmo de unificación que une aquellos rectángulos que potencialmente pueden formar una línea de texto. Y posteriormente filtramos todos los rectángulos que no cumplan una relación de proporcionalidad. Con los supervivientes de todo este proceso de filtrado vamos a ir tomando la decisión de si es una área de solo texto o no de manera individual para cada uno de los rectángulos. Para eso vamos a realizar una clasificación por texturas, de manera que aplicando un calculo sobre todos los píxeles interiores de un rectángulos obtenemos un numero característico para cada uno de ellos, que nos vas a permitir crear un histograma de probabilidad. Por ultimo y por comparación con los histogramas de las distintas posibles clasificaciones de las áreas en un documento tomamos la decisión sobre el rectángulo.
Bibliografía:
C. Strouthopoulos, N Papamarkos, C. Chamzas. Identification of text-only areas in mixed-type documents. Engn Applic. Artif. Intell. vol. 10 (4) (1997), 387-401.