基于关键词多特征融合的维吾尔文文档图像检索

The document image retrieval technology for the character of China's ethnic minorities is still in the beginning position. At present, it needs more work and shows low efficiency for their character based document image retrieval issue. Not only the document image retrieval system with fast operation and high accuracy rate can improve our work efficiency, but also it bring a powerful tool to maintain prolonged stability and economic construction of Xinjiang. Therefore, researching and developing ethnic minority document image retrieval system become a pressing need for solution of the subject currently, and it has important social values and practical significances. The project will take reference of the successful technology for Chinese, Western language especially Arabic document image retrieval, will combine it with the special structural and figurate features of Uyghur character, and will research the new methods and new algorithms for the key technology of printed Uyghur document image retrieval where the intermediate step of Optical character recognition (OCR)based transcription is not used. Firstly, the database of Uyghur document images will be established, preprocessed and multi-feature extraction of document images will be completed, and the feature database of them will be established. The set of candidate document images are achieved after matching the features of query with feature data base after reducing the dimensionality of the features with Extended locally linear Embedding. Finally, the clustering pyramid tree and Bayes related feedback technology are used for the set to get high efficiency for retrieval. This project will be used widely in office automation, archives administration, digital library and other related fields in Xinjiang.

由于我国少数民族文字文档图像检索技术尚处于空白，目前少数民族文字文档图像管理和检索的工作量很大、效率较低。快速、高准确率的文档图像检不仅提高我们的工作效率,而且给新疆的长治久安和经济建设提供一种有力工具。因此，研究并开发少数民族文字文档图像检索系统是当前一个急待解决的课题，具有重要的社会价值和实用意义。本项目在不经光学字符识别的情况下，借鉴中、西文、特别是阿拉伯文成功的文档检索技术的基础上,结合维吾尔文文字独特的形状和结构特征,研究维吾尔文印刷体文档图像检索的关键技术。首先，建立维吾尔文文档图像样本库,并进行文档图像的预处理和多种特征提取，建立样本特征库。然后，用扩展的局部线性嵌入算法对高维特征降维后跟待查单词图像的多种特征匹配、获得候选文档图像集合。最后，对这个图像集合中用使用基于贝叶斯理论的相关反馈技术提高检索效率。本项目在全疆的办公自动化、档案管理和数字图书馆等领域有应用前景。

本项目在不经光学字符识别的情况下,结合维吾尔文文字独特的形状和结构特征,研究维吾尔文印刷体文档图像检索的关键技术。首先大量收集在新疆内使用广泛的维吾尔文字的书籍、期刊或其他印刷品，并且把这些文档素材以三种不同分辨率（100dpi，200dpi，400dpi）扫描，分别建立维吾尔文纯文本文档图像数据库，维吾尔文复杂文档图像数据库和维吾尔文关键词图像数据库。库里的样本图像进行预处理， 特别是结合维吾尔文文字结构特点分别提出基于形态学梯度算法的单词切分方法和聚类+连体段判别的维吾尔文档图像单词切分方法提高了单词切分准确率。其中，聚类+连体段判别的维吾尔文档图像单词切分方法，解决了现有切分方法的一些不足之处，对100张文档图像进行切分时单词的平均切分准确率达到了99%。然后，提取维吾尔文文档图像的10几种特征（改进的SIFT特征，改进的SURF特征，空间关系特征、改进的LBP特征等），建立样本特征库。最后，通过查询图像的特征和数据库样本特征分别利用多种匹配策略（如，多种距离分类器，FLANN，双向匹配与KD-Tree+ BBF匹配，COSVM等）进行特征匹配并检索出目标图像。提取的各类特征互相融合，并分别提出一种由不同种类的距离进行相似程度测量的检索和由匹配点数来检索的方法、由粗到细层级两层匹配的检索框架，以及维吾尔文单词图像的空间关系特征以及为减小检索耗时的特征查询策略进一步提高关键词检索效率。用维吾尔语单词图像的空间关系特征以及为减小检索耗时和提高检索效率的特征查询策略，选取10张关键词图像在108文档图像切分后的24460张单词图像库中进行检索实验，平均检索准确率为96%，平均检索召回率为93%，平均检索时长仅为0.25s，证明了本方法在维吾尔文档图像检索中的有效性，弥补了我国维吾尔文文档图像检索领域的空白。研究成果有：学术论文10篇，博士论文1篇，硕士论文4篇，计算机软件著作权登记4项。已标注的其他成果有期刊论文12篇 ，会议论文11篇，发明专利受理1项，实用新型专利授权2项,计算机软件著作权登记6项。