Luận văn
Nhận dạng chữ viết và phân
tích trang tài liệu
Luận văn tốt nghiệp cao học Học viên: Nguyễn Văn Huy
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnu.edu.vn
i GVHD: PGS. TS. Ngô Quốc Tạo

Mục lục
Mục lục i
Danh mục các hình ảnh iv
MỞ ĐẦU 1
I. Đặt vấn đề 1
II. Nội dung nghiên cứu 2
III. Bố cục của luận văn 4
Chƣơng I. TỔNG QUAN VỀ NHẬN DẠNG CHỮ VIẾT 5
VÀ PHÂN TÍCH TRANG TÀI LIỆU 5
I.1. Ảnh tài liệu và nhận dạng ảnh tài liệu 5
I.1.1. Tổng quan về ảnh tài liệu 5
I.1.2. Nhận dạng tài liệu và vai trò của phân tích ảnh tài liệu 6
I.2. Cấu trúc của ảnh tài liệu 7
I.2.1. Cấu trúc vật lý 8
I.2.2. Cấu trúc logic 10
I.3. Quá trình phân tích tài liệu 10
I.3.1. Tiền xử lý(preprocessing): 11
I.3.2. Phân tích cấu trúc vật lý 12
I.3.3. Phân tích cấu trúc logic 13
I.4. Một số hệ thống phân tích tài liệu hiện nay 14
I.4.1. VnDOCR 14

III.2.7. Module mô phỏng thuật toán FS 58
III.2.8. Các hàm chức năng chính của image processing tool trong matlab sử
dụng trong chƣơng trình 60
III.3. Kết luận và đánh giá kết quả 62
Kết luận 83
TÀI LIỆU THAM KHẢO 84
Phục Lục 85
A. Mã nguồn đầy đủ của chƣơng trình 85
A.1. Danh mục các chƣơng trình con trong chƣơng trình 85
A.2. Sơ khối liên kết giữa các thủ tục trong chƣơng trình 86
Luận văn tốt nghiệp cao học Học viên: Nguyễn Văn Huy
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnu.edu.vn
iii GVHD: PGS. TS. Ngô Quốc Tạo

A.3. Mã nguồn các module 86
Luận văn tốt nghiệp cao học Học viên: Nguyễn Văn Huy
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnu.edu.vn
iv GVHD: PGS. TS. Ngô Quốc Tạo Danh mục các hình ảnh
Hình 1: Sơ đồ tổng quan quá trình tạo ảnh tài liệu 5
Hình 2: Ví dụ ảnh tài liệu 6
Hình 3: Sơ đồ OCR cơ bản 7
Hình 4: b-Cấu trúc vật lý: c,d-Cấu trúc logic của một tài liệu[4] 9
Hình 5: Ví dụ loại tài liệu có bố cục phức tap 10
Hình 6: Sơ đồ nguyên lý hệ thống xử lý tài liệu[6] 11
Hình 7: a - Ảnh gốc b - Ảnh sau khi tách nền 12
Hình 8: Ví dụ một ảnh tài liệu bị nghiêng một góc 5 độ 13
Hình 9: Ví dụ một cây mô tả cấu trúc logic của một trang tài liệu[5] 14

Hình 30: Ví dụ một bolck chuyển sang dạng bề mặt trong không gian 3D 41
Hình 31: Ví dụ chuyển ảnh chữ "c" sang dạng bề mặt trong không gian 3D 41
Hình 32: (a) Ảnh một tài liệu gốc, (b) kết quả sau khi áp dụng FS 44
Hình 33: Giao diện chính 51
Hình 34: Kết quả phân tích của top-down trên tài liệu có cấu trúc đơn giản 63
Hình 35: Kết quả phân tích của top-down trên tài liệu có cấu trúc bảng 65
Hình 36: : Kết quả phân tích của top-down trên tài liệu thuần văn bản 67
Hình 37: : Kết quả phân tích của top-down trên tài liệu có cấu trúc phức tạp (trang
tạp trí) 69
Hình 38 : Kết quả phân tích của top-down trên một tờ quảng cáo 71
Hình 39: Kết quả phân tích của top-down trên tài liệu có cấu trúc phức tạp 73
Hình 40: Kết quả phân tích của top-down trên tài liệu bị nghiêng 75
Hình 41: Kết quả phân tích của FS trên tài liệu bị nghiêng 77
Hình 42: Kết quả phân tích của FS trên tài có cấu trúc phức tạp 79
Hình 43: Kết quả phân tích của FS trên một trang quảng cáo 81
Hình 44: Kết quả phân tích của FS trên tài liệu đơn giản 82
Luận văn tốt nghiệp cao học Học viên: Nguyễn Văn Huy
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnu.edu.vn
1 GVHD: PGS. TS. Ngô Quốc Tạo

MỞ ĐẦU
I. Đặt vấn đề
Ngày nay việc sử dụng máy tính để lƣu trữ tài liệu không còn là vấn đề mới
mẻ và cần phải chứng minh tính an toàn, thuận tiện của nó. Tuy nhiên việc sử dụng
giấy để lƣu trữ tài liệu trong một số mục đích vẫn không thể thay thế đƣợc (nhƣ
báo, sách, công văn,…). Hơn nữa lƣợng tài liệu đƣợc tạo ra từ nhiều năm trƣớc vẫn
còn rất nhiều mà không thể bỏ đi đƣợc vì tính quan trọng của chúng.
Chúng ta mong muốn có thể điện tử hóa hàng tỉ trang tài liệu đó và cất chúng
chỉ trong một ổ cứng kích thƣớc bằng một cuốn sách nhỏ, tìm kiếm thông tin mà chỉ
cần tốn vài giây với một cái gõ phím Enter. Giải pháp là gì?

định vị chính xác cho việc áp dụng các thuật toán nhận dạng lên vùng
đã xác định tính chất, nếu bƣớc này chính xác trƣớc tiên nó hạn chế
thời gian cho việc nhận dạng, sau là tăng ngữ nghĩa bổ sung cho việc
nhận dạng.
b. Bƣớc 2 nhận dạng ký tự dựa vào các tính chất của ký tự, ví dụ nhƣ 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 nhƣ thế
nào, các từ trong câu phải nhƣ thế nào để câu có nghĩa. Từ đó có nội
dung đúng để lƣu trữ, quản lý….
Trong thực tế không phải quá trình nhận dạng nào cũng chỉ trải qua hai bƣớc
nhƣ trên, bởi vì có rất nhiều tham số ảnh hƣởng đến kết quả của các chƣơng trình
nhận dạng, nhƣ nhiễu, Font chữ, kích thƣớc chữ, kiểu chữ nghiêng, đậm, gạch dƣới.
Ngoài ra các dòng chữ cũng có thể trộn lẫn với các đối tƣợng đồ họa, vì thế trƣớc
khi nhận dạng chữ, một số thao tác tiền xử lý sẽ đƣợc tác động lên ảnh nhƣ, 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
tƣợng đồ họa (phi chữ).
II. Nội dung nghiên cứu
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,…)
 Cài đặt thử nghiệm một giải pháp phân tích có hiệu quả cao so với các
phƣơng pháp truyền thống nhƣ top-down hay bottom-up trên ảnh vào là
ảnh đa cấp xám có cấu trúc phức tạp.
 Từ kết quả nghiên cứu có một sự chuẩn bị kiến thức đẩy đủ cho bƣớc
nghiên cứu tiếp theo là nhận dạng ký tự quang.
Luận văn tốt nghiệp cao học Học viên: Nguyễn Văn Huy
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnu.edu.vn
3 GVHD: PGS. TS. Ngô Quốc Tạo

ở các đề tài trƣớc. Cuối cùng, dựa vào đó để xây dựng Demo cho một ứng dụng.
Các kết quả nghiên cứu dự kiến cần đạt đƣợc:
Luận văn tốt nghiệp cao học Học viên: Nguyễn Văn Huy
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnu.edu.vn
4 GVHD: PGS. TS. Ngô Quốc Tạo

 Tìm hiểu tài liệu liên quan đến lĩnh vực quan tâm để nắm bắt đƣợc bản
chất vấn đề đặt ra.
 Báo cáo lý thuyết
 Chƣơng trình Demo.
III. Bố cục của luận văn
Nội dung của luận văn đƣợc trình bày trong ba chƣơng với nội dung chính
sau.
Chƣơng 1: Trình bày các khái niệm và mô hình tổng quát của hệ thống nhận dạng
chữ viết, cùng với một số phần mềm nhận dạng tiêu biểu hiện nay.
Chƣơng 2: Trình bày một số phƣơng pháp phân tích trang tài liệu, từ đó đánh giá
ƣu nhƣợc điểm để lựa chọn phƣơng pháp Fractal Signature cho chƣơng trình thử
nghiệm. Trình bày về thiết kế cho chƣơng trình demo.
Chƣơng 3: Trình bày chi tiết về việc cài đặt chƣơng trình cũng nhƣ các thủ tục sử
dụng trong chƣơng trình với phƣơng pháp phân tích Fractal Signature và ảnh đầu
vào là ảnh đa cấp xám có độ phức tạp cao.
Luận văn tốt nghiệp cao học Học viên: Nguyễn Văn Huy
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnu.edu.vn
5 GVHD: PGS. TS. Ngô Quốc Tạo Chƣơng I. TỔNG QUAN VỀ NHẬN DẠNG CHỮ VIẾT
VÀ PHÂN TÍCH TRANG TÀI LIỆU
Chƣơng này đƣa ra các khái niệm về đối tƣợng 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

Ngày nay, máy tính đang phát triển mạnh mẽ, tốc độ xử lý không ngừng
đƣợc 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 ngƣời hơn. Một trong các khả năng tuyệt vời
của con ngƣời mà các nhà khoa học máy tính muốn đạt đƣợc đó là khả năng nhận
dạng và lĩnh vực nhận dạng thu đƣợc nhiều thành công nhất là nhận dạng ký tự
quang OCR–Optical Character Recognition. OCR có thể đƣợc hiểu là quá trình
chuyển đổi tài liệu dƣới dạng file ảnh số hoá (là dạng chỉ có ngƣời đọc đƣợc) thành
tài liệu dƣới dạng file văn bản (là tài liệu mà cả ngƣời và máy đều có thể đọc đƣợc).
OCR có rất nhiều ứng dụng hữu ích trong cuộc sống nhƣ:
- Sắp xếp thƣ tín, dựa vào việc nhận dạng mã bƣu 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 ngƣời khiếm thính
- Các ứng dụng Datamining
- …
Sơ đồ một hệ thống OCR cơ bản ở Hình 3.
Trong đó:
Hình 2: Ví dụ ảnh tài liệu
Luận văn tốt nghiệp cao học Học viên: Nguyễn Văn Huy
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnu.edu.vn
7 GVHD: PGS. TS. Ngô Quốc Tạo

- Scanner: Thiết bị quét ảnh
- OCR hardware/software:
o Document analysis: Phân tích tài liệu

dung cơ sở nhƣ hình ảnh nền, vùng văn bản,…
Để mô tả bố cục vật lý của tài liệu ngƣời ta sử dụng một cấu trúc hình học
với mỗi đối tƣợng trong cấu trúc là một phần tử chỉ chứa nội dung đồng nhất. Các
kiểu đối tƣợng hình học đƣợc định nghĩa nhƣ sau[4]:
 Block là đối tƣợng cơ sở tƣơng ứng với một vùng hình chữ nhật chứa một phần
nội dụng của tài liệu.
 Frame một đối tƣợng hỗn hợp tƣơng ứng với một hình chữ nhật bao gồm một
hoặc nhiều block hoặc bao gồm các frame.
 Page là đối tƣợng hình học hoặc hỗn hợp các thành phần cơ sở tƣơng ứng với
một vùng hình chữ nhật, nếu là đối tƣợng 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 tƣợng 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 tƣơng ứng.
Các thuật toán phân tích bố cục tài liệu có thể đƣợc chia làm ba loại chính
dựa theo phƣơng pháp thực hiện của nó.
- Bottom-up: Ý tƣởng chính của các thuật toán loại này là bắt đầu từ những
phần tử nhỏ nhất (nhƣ 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.
- Các thuật toán không theo thứ bậc: nhƣ Fractal Signature, Adaptive split-
and-merge …
Luận văn tốt nghiệp cao học Học viên: Nguyễn Văn Huy
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnu.edu.vn
9 GVHD: PGS. TS. Ngô Quốc Tạo Hình 4: b-Cấu trúc vật lý: c,d-Cấu trúc logic của một tài liệu[4]

Hình 5: Ví dụ loại tài liệu có bố cục phức tap
Luận văn tốt nghiệp cao học Học viên: Nguyễn Văn Huy
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnu.edu.vn
11 GVHD: PGS. TS. Ngô Quốc Tạo

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

Hình 6: Sơ đồ nguyên lý hệ thống xử lý tài liệu[6]
I.3.1. Tiền xử lý(preprocessing):
Hầu hết các ảnh tài liệu đều có nhiễu do quá trình thu nhận ảnh gây ra (môi
trƣờng, chất lƣợng máy quét), vì thế trong quá trình xây dựng các thuật toán phân tích
cần loại bỏ các nhiễu này và công việc này thƣờng đƣợc tiến hành trƣớc khi bắt đầu phân
tích bố cục hay cấu trúc và gọi là Tiền xử lý. Nhiệm vụ chính của bƣớc 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 đƣợc loại bớt
sử dụng một số các kỹ thuật nhƣ lọc trung bình, lọc trung vị, lọc thông thấp,…
 Tách nền (Background separation):
Đây là một vấn đề rất quan trọng ảnh hƣởng trực tiếp đến hiệu quả của các thuật
toán phân tích tài liệu. Nếu đối với các loại tài liệu có nền đồng nhất màu trắng hoặc đen
thì việc tách có thể thực hiện đơn giản bằng phép phân ngƣỡng, tuy nhiên trong thực tế
rất nhiều ảnh tài liệu có nền rất phức tạp nhƣ ảnh hay đồ họa (Hình 7) thì việc xác định
các pixell nào thực sự thuộc về “phần nổi” là một công việc khó khăn.
Ta có thể tách nền bằng một số kỹ thuật nhƣ sau:
- Gán mỗi điểm ảnh vào “phần nổi” hay phần nền dựa theo một tiêu chí nào đấy
(nhƣ ngƣỡng mức xám, …)
Luận văn tốt nghiệp cao học Học viên: Nguyễn Văn Huy
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnu.edu.vn

Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnu.edu.vn
13 GVHD: PGS. TS. Ngô Quốc Tạo

o Phân tích kiểu Adaptive split-and-merge (tách và nối thích nghi)
 Các phƣơng 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

I.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 đƣợc gắn nhãn nhƣ tiêu đề, văn bản, đề mục,
hearder,… Bƣớc này là cơ sở cho việc nhận dạng ký tự.
- Việc xác định đƣợc vị trí chính xác của mỗi vùng trong cấu trúc logic sẽ tăng
thêm thông tin cho quá trình nhận dạng nhƣ thông tin về ngữ cảnh, đoán nhận
đƣợc kiểu font và kích thƣớc chữ nếu biết nó thuộc vùng tiêu đề, đề mục hay
trong đoạn văn,… (Hình 9)

Luận văn tốt nghiệp cao học Học viên: Nguyễn Văn Huy
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnu.edu.vn
14 GVHD: PGS. TS. Ngô Quốc Tạo

I.4. Một số hệ thống phân tích tài liệu hiện nay
I.4.1. VnDOCR
Vndocr phần mềm nhận dạng tiếng Việt là một sản phẩm của Viện công Nghệ

- Phân tích cấu trúc vật lý của tài liệu và đƣa ra cấu trúc phần vùng
- Phân tích và nhận dạng chữ đầu ra là text có thể copy hay lƣu trữ và soạn thảo
lại đƣợc. Hình 10: VnDOCR và một ví dụ nhận dạng
1Một 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 phân tích với
hiệu quả chƣa cao (Hinh 11, 12)

Thí nghiệm 1:
- Với ảnh đầu vào nhƣ sau: 1
Nguồn từ www.vndocr.com
Luận văn tốt nghiệp cao học Học viên: Nguyễn Văn Huy
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnu.edu.vn
16 GVHD: PGS. TS. Ngô Quốc Tạo 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 đƣợc 2 vùng ảnh (1,2) nhƣ Hình 12

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

- Nhận dạng cả các file vào là PDF
- Nhận dạng đƣợc các trang có nhiều loại font, kiểu font hoặc có nền là ảnh mầu
- Một số hạn chế chính:
- Chƣa hiệu quả với các ảnh tài liệu có cấu trúc phức tạp.
Thí nghiệm 1:
Với ảnh đầu vào Hình-11 có kết quả nhƣ sau: Omnipage đoán nhận tất các ảnh
đều là vùng văn bản (Hình-15) 2
Nguồn từ nhà sảnh xuất http://www.nuance.com/imaging/omnipage/omnipage-professional.asp
Luận văn tốt nghiệp cao học Học viên: Nguyễn Văn Huy
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnu.edu.vn
19 GVHD: PGS. TS. Ngô Quốc Tạo

Thí nghiệm 2: Với ảnh đầu vào 13, tƣơng tự nhƣ VnDOCR OmniPage vẫn phân vùng
sai (Hình 16)

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

Vùng lỗi
Hình 16: Đầu ra có vùng chứa cả ảnh và text