基于特征提取与机器学习的文档区块图像分类算法

来源：信号处理杂志 2019年第5期北京时间：

作者：李翌昕, 邹亚君, 马尽文

摘要：文档区块图像分类对于文档版面图像的理解和分析至关重要。在传统机器学习分类模型中，直接使用图像作为输入会导致模型参数量过大因此无法进行训练。为了克服这个困难，我们在本文中针对文档区块图像设计了一组有效的特征，并提出了基于这些特征和机器学习的文档区块分类算法。在特征设计上，我们提取了几何、灰度、区域、纹理和内容五方面在内的32维特征，以增强特征针对区块类别的分辨能力。在分类器方面，我们在所提出的特征上对传统机器学习分类模型、自动机器学习方法以及深度学习均进行了实验。在公开数据集上的实验结果表明，我们提出的文档版面区块分类算法具有很高的分类准确率，并且十分高效。另外我们实现了一个简单的分步文档版面分析算法，以展示所提出的区块分类算法的推广能力。

关键词：文档版面分析, 文档区块分类, 特征提取, 机器学习, 图像分类