文字识别/principles, methods and practice/原理、方法和实践_丁晓青,王言伟_9787302454625

本书基于模式识别和信息熵理论，全面、系统和深入地分析介绍了各种汉字、多文种文字识别的理论和方法，以及解决复杂多变的多文种文字和文档识别中关键问题的有效算法和具体实践。

文字是人类信息*重要的载体和*集中的表象，记载了几千年人类的文明和历史,对五千年中华文明的传承和发展起着极其关键的作用。当今人类社会进入快速计算机网络信息化的时代，信息的全球化和大数据资源的获取，首先要求解决和实现各类信息的数字化，特别是文字和文档信息的计算机数字化。计算机信息化，就是要求计算机也能像人一样识图认字：使计算机具有对图像或文字表象的自动识别的能力。也就是说，文字和文档识别信息化也是人工智能和计算机视觉需要解决的重要问题。

20世纪60年代，国际上就十分重视对文字识别的研究。我国汉字数量巨大、结构复杂，难以输入计算机，这成为汉字信息化的拦路虎，因此，汉字识别及海量文档的计算机数字化研究极为紧迫，并具有特殊的历史意义。

作者所在的清华大学智能图文信息处理研究室从20世纪80年代就开始了汉字等多文种文字和文档识别信息化的研究和探索，数十位师生持续卅余年，齐心奋力，在文字识别的理论和方法研讨上、在大规模印刷、联机和脱机手写汉字识别、中日韩、蒙藏维哈柯阿民族文字文档识别的研究上取得领先的研究成果，并将研究成果在世界范围推广应用。这些经历和成果成为本书撰写的直接动因。

《文字识别：原理、方法和实践》一书围绕模式识别和文档信息化而展开。基于模式识别和信息熵理论分析，对文字和文档识别的理论和方法以及关键问题进行了较为深入、系统的分析和研究，并介绍了多种文字和文档识别方法和系统。

全书包括11章，各章内容如下：第1章绪论介绍文字的基本属性和特点；第2章模式识别和模式识别信息熵理论，揭示模式识别的核心互信息，汉字和汉字文本的信息熵；第3章介绍汉字识别的特征提取和优良的汉字识别特征；第4章介绍特征的鉴别分析、维数压缩和特征高斯分布整形；第5章介绍*优贝叶斯分类器和MQDF设计；以上章节主要介绍文字识别基本理论。第6章介绍脱机手写汉字识别的鉴别学习方法；第7章介绍基于时空统一模型的结构联机汉字识别方法，以及基于结构特征的统计联机手写汉字识别系统；第8章介绍利用上下文语言信息进行汉字文本识别后处理的理论方法；第9章介绍基于过切分的文本行识别及基于HMM的无切分文档识别方法；第10章介绍复杂文档版面的自动分析、理解和重构，及文档自动识别和重构方法；第11章介绍蒙藏维多文种文字文档识别的策略、理论和方法，为民\|汉跨文种文档识别理解打下基础。

本书有选择性地针对文字和文档识别中必须解决的诸多重要问题，从单字、联机、多变脱机汉字识别、鉴别学习，到复杂版面、连笔书写、上下文相关文档识别，以及多文种民族文字识别，力图较完整地，从理论、方法和实践进行深入分析和讨论。

全书内容主要源自我们研究工作的总结，大部分章节源于研究生的论文，包括张睿、刘海龙、张嘉勇、林晓帆、征荆、陈彦、王学文、王言伟、李元祥、姜志威、陈明、王华等同学的博士论文。丁晓青负责全书的编撰，王言伟还做了大量文档编辑工作。希望读者能够对文字和文档识别的理论、方法和实践有较为全面的认知和了解，并从中获得有益的启发。*后需要说明的是，本书没有也不可能完全包括当前在此领域内*新的研究成果和发展。对于读者，本书能够起到抛砖引玉的目的，我们就十分欣慰了。

本书的内容主要源自研究组对文字和文档识别理论和方法的研究和探索，特别是汉字识别研究开创者之一，已故的吴佑寿院士，他的一贯支持，为汉字识别研究的成功发挥了重要作用；刘长松、彭良瑞进行了长期的工作，为本书和研究成果的产品化，作出突出贡献；以及集数十位研究生的不懈努力和研究成果，除上面已经提及的参与者外，还包括：朱夏宁、董宏、黄晓非、李彬、徐宁、郭繁夏、苟大银、赵明生、郭宏、刘今晖、陈友斌、方驰、靳简明、陈力、鲁湛、陈彦、李闯、王贤良、文迪、何峰、姚正斌、李昕、蒋焰、付强等。在此一并表示衷心的感谢！

第1章绪论文字识别：原理、方法和实践

第1章绪论

1.1引言人类社会已进入了信息时代，尤为重要的标志之一是互联网的发展已经深入人们的生活，从宽度、广度和深度方方面面改变了和改变着人们的生活方式，也改变了世界。信息化使得信息的获取、传输、交换和使用成为影响社会发展的重要因素，信息事业的发展极大地影响了国家的发达和民族的兴旺，也因此得到世界各国的极大关注。在计算机信息化迅速发展的过程中，信息的电子化处理已成为一种不可逆转的趋势，需要解决如何把大量的已产生或将产生的印刷或手写的海量文档信息高效地输入计算机这样的问题，即使在未来，这也是必不可少的一步。将电子化文档输出为纸质文档，激光照排技术带来了对历史上铅与火排版技术的革命，使信息化得到重要发展。但反之，要将无处不在、无时不有的介质上的印刷或手书文档，自动变成计算机可以阅读（查询和检索等）的电子文档，却是十分重要，但却相当难以实现的。虽然可以采用人工键入的方法，但完全无法满足信息化时代对高速、大数据和大容量的需求。如何满足全球信息化对于文档数字化高速、大数据、大容量的急迫需求，利用计算机模式识别技术进行文字和文档的自动识别，实现形形色色的文档的自动电子化，为计算机信息化发展打下坚实的基础是我们研究工作的目的，也是本书写作的动因。《文字识别：原理、方法和实践》一书源于自20世纪80年代开始作者对汉字识别的研究和探索，以及30余年持续的研发和产业化工作，因此有必要对这些研究工作加以总结和汇总。《文字识别：原理、方法和实践》的写作基本上沿着模式识别与文字和文档的信息化这两条线索展开。

第1条线索是模式识别，是本书的理论依据。由于文字识别是*典型的，也是目前*有成效的模式识别技术，因此我们有必要首先介绍模式识别以及解决模式识别问题的统计模式识别的基本理论和方法，从提出模式识别信息熵理论开始，包括模式识别特征提取、特征选择和压缩、分类器设计、上下文相关识别方法等基本问题的研究探讨。

第2条线索是文字和文档的信息化，这是本书的中心内容。文字是信息的*集中表现，汉字记载了5000余年中国的历史和现代文明的发展。尤其是在计算机信息化时代，文字信息化是信息化时代的基础问题也是关键的问题，特别是困难的文档信息的计算机自动输入问题。在西方文字信息化已取得较完善发展的20世纪60—70年代，数量巨大、结构复杂的汉字信息化却遇到汉字计算机输入的特殊困难，成为汉字计算机信息化的拦路虎。完善解决多种文字和文档自动识别计算机输入等问题，是本书研讨的主要内容，包括利用统计模式识别方法，对多文种文档识别的众多关键问题进行较为详细的研究和探讨，等等。

本书介绍了文字和文档识别的理论、方法和实践应用。根据模仿人类视觉模型，提出有别于结构分析的基于文字图像的统计模式识别方法，有效突破了汉字输入计算机对信息化的壁垒，取得了文字识别令人瞩目的进展。从模式识别信息熵的分析说明了统计模式识别方法的理论基础，分析了从文字图像中提取识别特征的方法，以及文字识别中分类器的学习和设计方法；提出汉字的综合识别研究，以及文本识别必须解决的版面分析、文字切分和利用上下文识别后处理等重要问题，*后，总结了文字识别研究的重要进展情况并对未来工作加以展望。1.2文字和汉字文字是人类社会文明的基石，是人类信息*重要的载体，文字信息是信息*集中的表现，是人类信息传承、交换、记载的依据。应当说，人类文明源于文字的出现，人类文明的发展更离不开文字。在信息化时代的今天，尤其是在互联网全球化之时，文字信息数字化对于人类文明发展更具特殊的意义。这种无所不在和无处不有的海量大数据文字信息的数字化要求，注定了文字识别的不可或缺及其在世界范围内广泛的应用需求。文字是语言的符号表示，世界上使用的文字基本上可以分为以下几种：拉丁字母、基里尔字母、阿拉伯字母、印度字母、汉字系统及其他（韩语、蒙古语、希伯来语等）文字等。汉字是世界上*古老的三大文字系统之一。其他如古埃及的圣书字、两河流域苏美尔人的楔形文字已经失传，仅有*的中国的汉字沿用至今。汉字，是中国人创造的意音文字书写系统，也是当今世界上*仍被广泛采用的意音文字和独源文字，推估历史可追溯至约4000年前的夏商时期。汉字主要用于书面记录汉语

我要评论