孟加拉语印刷文本的文档分解

如今各类信息正被数字化，伴随所有这些数字化，大量各种文档档案也正被数字化。我们知道，光学字符识别是将报纸和其他纸质文档转换为数字资源的方法。但事实是，该方法仅对文本有效。因此，如果我们尝试处理任何包含非文本区域的文档，我们将得到乱码文本作为输出。这就是为什么为了正确数字化文档，它们应当被仔细预处理。而在预处理中，根据类别将文档分割为不同区域是最重要的。但是，现有的孟加拉语光学字符识别过程没有这样一种能够完全分类报纸/书籍页面的算法。因此我们致力于将文档分解为其若干部分，如标题、子标题、栏目、图像等。并且如果输入是倾斜和旋转的，则输入也被去倾斜和去旋转。为了分解任何孟加拉语文档，我们找出输入图像的边缘。然后我们找出每个像素所在的水平和垂直区域。随后根据这些数据切割输入图像。然后我们选取每个子图像并找出其高宽比、行高。然后根据这些值对子图像进行分类。为了去倾斜图像，我们找出倾斜角度并根据该角度去倾斜图像。为了去旋转图像，我们使用行高、matra线和matra线的像素比。