[论文解读] Locating Tables in Scanned Documents for Reconstructing and Republishing (ICIAfS14)

Akmal Jahan Mac, Roshan Ragel|arXiv (Cornell University)|Dec 24, 2014

Handwritten Text Recognition Techniques参考文献 19被引用 4

一句话总结

本文提出一种基于规则的算法，利用局部阈值检测文本间距和行高，以从扫描文档图像中检测并提取表格，整体准确率达到75%（基于298份文档）。与依赖可见规则线的方法不同，该方法能保留多种字体、样式和多栏布局下的原始格式，实现对印刷文档的精确重建与再发布。

ABSTRACT

Pool of knowledge available to the mankind depends on the source of learning resources, which can vary from ancient printed documents to present electronic material. The rapid conversion of material available in traditional libraries to digital form needs a significant amount of work if we are to maintain the format and the look of the electronic documents as same as their printed counterparts. Most of the printed documents contain not only characters and its formatting but also some associated non text objects such as tables, charts and graphical objects. It is challenging to detect them and to concentrate on the format preservation of the contents while reproducing them. To address this issue, we propose an algorithm using local thresholds for word space and line height to locate and extract all categories of tables from scanned document images. From the experiments performed on 298 documents, we conclude that our algorithm has an overall accuracy of about 75% in detecting tables from the scanned document images. Since the algorithm does not completely depend on rule lines, it can detect all categories of tables in a range of scanned documents with different font types, styles and sizes to extract their formatting features. Moreover, the algorithm can be applied to locate tables in multi column layouts with small modification in layout analysis. Treating tables with their existing formatting features will tremendously help the reproducing of printed documents for reprinting and updating purposes.

研究动机与目标

• 解决在数字转换过程中从扫描文档中准确检测表格的挑战。
• 在文档重建过程中保留表格的原始格式，包括布局、字体和样式。
• 开发一种对不同扫描文档中字体类型、大小和样式变化具有鲁棒性的方法。
• 在无需规则线的情况下，实现在多栏布局中的有效表格检测。
• 支持印刷文档的自动化数字再发布与更新。

提出的方法

• 该方法使用文本间距和行高的局部阈值来识别扫描文档图像中的潜在表格区域。
• 通过分析文本行与单词之间的空间关系，检测类似表格的结构，而无需依赖可见的网格线。
• 算法应用自适应阈值技术，以应对字体大小、样式和文档布局的差异。
• 通过二值化和噪声抑制等预处理步骤处理文档图像，以增强特征检测效果。
• 该方法可与版面分析模块集成，经少量修改后即可支持多栏文档结构中的检测。
• 提取并保留检测到的表格的格式特征，以支持后续的重建与再发布。

实验结果

研究问题

• RQ1 如何在不依赖可见规则线的情况下，可靠地检测扫描文档图像中的表格？
• RQ2 哪些局部图像特征能有效区分多样文档布局中表格区域与普通文本？
• RQ3 基于阈值的方法在扫描文档中面对不同字体类型、大小和样式时，其准确率能保持多高？
• RQ4 所提出的方法能否扩展用于检测多栏文档布局中的表格？
• RQ5 该方法在印刷文档数字重建过程中，其格式保留性能如何？

主要发现

• 所提出的算法在298份扫描文档的数据集上实现了75%的整体检测准确率。
• 该方法成功检测了多种字体类型、样式和大小的表格，表现出对视觉差异的强鲁棒性。
• 通过避免对可见规则线的依赖，该算法即使在网格线稀疏或缺失的文档中也能检测到表格。
• 该方法在保留格式特征方面保持了高保真度，这对准确的文档再发布至关重要。
• 该算法可经少量修改适配多栏布局，显著提升了实际应用价值。
• 结果表明，对文本间距和行高进行局部阈值处理，是扫描文档中表格检测的一种可行且有效策略。