切割文件方法

切割文件有很多方法，一般常用的有 Run-length、Docstrum 和 RXYC 等，每 種切割方法都有各自優缺點和用途，在下面小節將會分別介紹。

2.2.1 Run-length smoothing values

Run-length smoothing values [9] (簡稱 RLSA)是一個最早被使用的切割法之 一，此方法是先將文件二元化以後，以水平方向將較小的空白填滿，再用連通概 念將文件以行單位切割出來，RLSA 目的是在分析文件影像中文字位置，以行當 作單位來表示，優點是使用簡單方便，但是無法直接表示影像圖片，需要額外處 理，一般是使用在結構較單純的文件影像上。

圖 2 文件(左)在 RLAS 分析時，會將字與字中間填滿(中)，

分析 Connected-components 位置，找出每行對應位置(右)

2.2.2 Docstrum

Docstrum [11]是一種 Bottom-up 的切割結構方法，適用於 Manhattan layouts。

此方法是先將文件影像用連通物件方式，找出文件中每個連通單位，如圖 3 所示，

再以其矩形範圍當基準，將附近相鄰的物件做連結，由小而大將整個物件切割出 來。此方法的優點是比較不會受到雜訊和格線的影響，缺點是會受到文字大小影 響切割準確度。

圖 3 Docstrum 會由小到大從字母組合成單字，再從單字組合成句子等，一路向上分析

2.2.3 Whitespace Analysis

Whitespace Analysis [12]是一種比較特別 Top-down 切割方法，適用於

non-Manhattan layouts。主要概念是找出影像中最大的空白矩形區塊做切割，再從 重複搜尋第二第三大空白矩形，直到搜尋至一定數量的空白區塊為止，接著反過 來分離非空白區塊，就是文件內容了。這個方法好處是可以應用在 non-Manhattan layouts 的文件格式中，缺點是搜尋空白的時間較長，一般會限制搜尋空白區塊數 量上限，但就只能切到文件欄位，區塊內的行與單字需要額外方法分析出來。

圖 4 WhiteSpace 搜尋出空白區塊(左) 刪除空白區塊，剩下文字區塊(右)

2.2.4 Recursive XY-cut

Recursive XY-cut [10](簡稱 RXYC)是一種 Top-down 的切割結構方法，適用於 Manhattan layouts。主要概念是利用水平投影和垂直投影找出最大空白範圍，以此 劃分為二成兩大區塊，再重複動作繼續往下切，當切割影像小於一門檻值後才停 止。傳統 RXYC 是針對文件欄位做切割，其中的內容還需要用其他方法搭配分析 出來。除了切割以外，RXYC 同時也會建立一個文件分析的結構樹，先從整張文 件當作 Root node 資訊，在切割時，切割的區塊也以 node 方式建立儲存，直到切 割停止。RXYC 的大致演算法流程如下:

Step 1. 以整張影像建立 Root node

Step 2. 判斷圖片是否小於門檻值，如是則停止切割

Step 3. 對圖片做水平和垂直投影，找出最大的空白投影區段

Step 4. 依最大空白投影做分割，將圖片切割成兩塊，分別建立 node 資訊 Step 5. 切開的兩塊影像再帶入 Step 2~ Step 5 步驟內，直到 Step 2.停止切割

圖 5 是從[10]的參考範例，左邊是原始的文件影像，而經由 RXYC 的切割之 後，文件會被切割成如圖 5 右所顯示的區塊，分析每一區塊的實體物件範圍後，

加上前述切割時所建立的結構樹，可得到圖 6 右邊的結果。RXYC 的優點是速度很

快，切割的結構樹可以當作分析的依據，但缺點是容易受到雜訊或格線影響。

圖 5 原始影像(左)，RXYC 切割的情況(右)，參考自[10]

圖 6 當 RXYC 切割後分析的欄位 (左)，切割產生的結構樹(右) ，參考自[10]

在本研究裡所使用的切割法 AXYC 是以 RXYC 去做修改而成的，利用 RXYC 可同時產生排版分析所需要的物理結構樹，再加上 Whitespace Analysis 概念為輔 助，將文件中的空白區塊也加入結構樹中，來當作分析資料。Whitespace Analysis 本身是很耗時的演算法，但是 AXYC 執行時間較短，利用 AXYC 切割空白的話，

可以讓分析文件更有效率。