徐学斌，吾尔尼沙·买买提，阿力木江·艾沙，朱亚俐，库尔班·吾布力

1.新疆大学 信息科学与工程学院，乌鲁木齐 830046

2.新疆大学 图书馆，乌鲁木齐 830046

3.新疆大学 教师工作部，乌鲁木齐 830046

1 引言

文档图像检索作为信息检索的重要分支，一直是研究的热点。对于中文和英文等语言而言，字符都是独立书写，不存在字符与字符黏连书写的情况，此类印刷体文档图像检索一般是通过OCR（Optical Character Recognition）转化后进行检索，准确率高，检索速度快。对于我国新疆地区的少数民族语言维吾尔语而言，其字母既可以独立书写，也可以有多个字母通过不同的顺序组合相连书写，因此对印刷体维吾尔文档图像进行字母切分与识别时准确率不高，用OCR技术对维吾尔文档图像进行检索的研究相对滞后。近年来有学者提出针对维吾尔文档图像的关键词检索，首先对文档图像进行单词切分，然后对输入单词图像在切分好的单词图像库中进行特征匹配，返回单词图像库中匹配成功的图像所属的文档图像。由于只需对文档图像中的单词进行切分和特征匹配，无需精确识别所有字母，因此系统复杂度大大降低，同时检索效率较高。

文档图像的关键词检索系统首先要对文档图像进行准确的单词切分，切分效果直接影响检索结果。目前针对印刷体维吾尔文档图像的切分研究大多集中在字母切分方向，单词切分方向的文献较少。针对印刷体维吾尔文档图像的单词切分，文献[1]对投影得到的连体段进行聚类分析，通过计算连体段的重叠率来合并属于同一单词的连体段，平均单词切分准确率达到了97%。……