專(zhuān)利名稱(chēng)：光學(xué)字符識(shí)別中的文檔頁(yè)分割的制作方法
光學(xué)字符識(shí)別中的文檔頁(yè)分割
背景技術(shù)：
光學(xué)字符識(shí)別(OCR)是文本的圖像到如機(jī)器可編輯文本的數(shù)字形式的基于計(jì)算機(jī)的轉(zhuǎn)化，通常是按照標(biāo)準(zhǔn)編碼方案的。這個(gè)過(guò)程消除了對(duì)將文檔人工打字輸入到計(jì)算機(jī)系統(tǒng)的需要。由于圖像質(zhì)量差、由掃描過(guò)程引起的缺陷等等，會(huì)引發(fā)許多不同的問(wèn)題。例如，常規(guī)的OCR引擎可以被耦合到用來(lái)掃描文本的頁(yè)的平板掃描儀。因?yàn)轫?yè)被相對(duì)掃描儀的掃描面齊平地放置，所以由掃描儀生成的圖像典型地呈現(xiàn)均勻的對(duì)比度和照度、減小的扭曲和失真、以及高分辨率。因此，OCR引擎可以容易地把圖像中的文本轉(zhuǎn)化成機(jī)器可編輯的文本。然而，當(dāng)圖像在對(duì)比度、照度、扭曲等等方面具有較差的質(zhì)量時(shí)，OCR引擎的性能可能會(huì)惡化，并且處理時(shí)間可能會(huì)由于對(duì)圖像中的所有像素進(jìn)行處理而增加。例如當(dāng)圖像是從書(shū)本得到時(shí)或當(dāng)圖像是由基于圖像的掃描儀生成時(shí)，情形可能是這樣，因?yàn)樵谶@些情形下，文本/圖片是從一定的距離、從變化的取向和在變化的照度下被掃描的。即使掃描過(guò)程的性能是好的，當(dāng)質(zhì)量相對(duì)較差的文本頁(yè)被掃描時(shí)，OCR引擎的性能也可能惡化。這個(gè)背景被提供來(lái)介紹隨后的概要和詳細(xì)描述的概略的上下文。這個(gè)背景不打算用來(lái)幫助確定所要求保護(hù)的主題的范圍，也不打算被看作為將所要求保護(hù)的主題限制為解決任何的或所有的上文給出的缺點(diǎn)或問(wèn)題的實(shí)現(xiàn)。

發(fā)明內(nèi)容
在OCR過(guò)程中的頁(yè)分割(page segmentation)被執(zhí)行來(lái)檢測(cè)通常在文檔中出現(xiàn)的對(duì)象，包括文本對(duì)象和圖像對(duì)象。在輸入的灰度圖像中的文本對(duì)象是通過(guò)選擇用于自然行(native line)的候選者而被檢測(cè)的，所述候選者是具有由基線(xiàn)(大多數(shù)文本字符“坐”在該線(xiàn)以上)和主線(xiàn)(mean line)(大多數(shù)字符“掛”在該線(xiàn)以下)的值規(guī)定的相似垂直統(tǒng)計(jì)量的、水平相鄰的已連成分(connected component)(即，圖像像素的子集,其中來(lái)自該集合的每個(gè)像素與來(lái)自該集合的所有其余像素相連接)的集合。通過(guò)檢查在自然行候選者中的任何內(nèi)含的規(guī)則性，而對(duì)自然行候選者執(zhí)行二元分類(lèi)，以便把它們分類(lèi)為文本或非文本的。圖像對(duì)象是通過(guò)使用檢測(cè)到的文本規(guī)定背景來(lái)檢測(cè)圖像的背景而被間接檢測(cè)的。一旦背景被檢測(cè)，剩余的東西(即，非背景)就是圖像對(duì)象。在說(shuō)明性例子中，自然行候選者是通過(guò)使用中心線(xiàn)追蹤規(guī)程來(lái)構(gòu)建自然行而被選擇的。從灰度輸入，邊緣檢測(cè)運(yùn)算符的應(yīng)用導(dǎo)致已連成分的識(shí)別。為每個(gè)已連成分找出水平鄰居，并且分配分?jǐn)?shù)以代表已連成分屬于文本行的概率。通過(guò)使用水平鄰居投票規(guī)程，而為每個(gè)已連成分估計(jì)中心線(xiàn)。以最大分?jǐn)?shù)的已連成分作為種子開(kāi)始，如果在右面的已連成分的估計(jì)的中心線(xiàn)與種子的中心線(xiàn)之間的差值小于某個(gè)閾值，則把右面的已連成分順序加到自然行候選者。如果超過(guò)閾差值，或遇到在種子右面的最后的已連成分，則在左面重復(fù)把已連成分加到自然行候選者。當(dāng)這個(gè)中心線(xiàn)追蹤在左和右兩面都完成時(shí)，一個(gè)自然行候選者產(chǎn)生。自然行候選者被傳遞到可被實(shí)施為機(jī)器可訓(xùn)練的分類(lèi)器的文本分類(lèi)器，以便執(zhí)行候選者到文本行或非文本行的二元分類(lèi)。分類(lèi)器檢查自然行候選者在“邊緣空間”中的特征的內(nèi)含的規(guī)則性，在“邊緣空間”中每個(gè)像素被宣告為邊緣或非邊緣像素。如果自然行候選者具有規(guī)則的特征，諸如指示文本的邊緣角度的分布，則分類(lèi)器把該自然行候選者分類(lèi)為文本。相反，不存在這樣的特征規(guī)則性表明自然行候選者是非文本的且該候選者被丟棄。自然行候選者構(gòu)建和分類(lèi)的過(guò)程可以迭代地進(jìn)行，直至所有的被檢測(cè)的已連成分被確定為文本行的一部分或是非文本的。一旦文本的位置通過(guò)使用前述的文本對(duì)象檢測(cè)而被確定，就通過(guò)首先降低文檔的分辨率，以便濾掉典型地?cái)?shù)量級(jí)小于圖像對(duì)象(它們往往是相對(duì)較大的對(duì)象)的文本，來(lái)實(shí)施背景檢測(cè)。在分辨率降低后仍舊存在的任何文本影響可以通過(guò)中值(median)濾波而被去除。背景的局部一致性的評(píng)估可以通過(guò)方差運(yùn)算符的應(yīng)用而被執(zhí)行，所述方差運(yùn)算符被安排來(lái)找出文檔中的平坦區(qū)域。為了決定對(duì)于像素要被恰當(dāng)?shù)乜醋鳛楸尘跋袼?，它需要多么平坦，檢查作為檢測(cè)到的文本的一部分的像素，因?yàn)槲谋颈尘氨患僭O(shè)為規(guī)定圖像背景。由于檢測(cè)到的文本的位置是已知的，所以可以生成在文本像素處的方差值的直方圖。從所述直方圖，可以提取規(guī)定最大局部背景方差的閾值。然后根據(jù)最大背景方差執(zhí)行基于像素的分類(lèi)，以識(shí)別潛在的背景像素和非背景(即，圖像)像素，并生成分類(lèi)圖像。通過(guò)使用背景的特征是它們典型地包括由已連的均質(zhì)(homogenous)像素(即具有小方差的像素)組成的大區(qū)域的觀(guān)察，執(zhí)行在分類(lèi)圖像中已連成分的檢測(cè)。已連成分的檢測(cè)產(chǎn)生已連成分的兩個(gè)集合，包括:包含均質(zhì)像素的已連成分的集合和包含波浪式像素(即，具有大方差的像素)的已連成分的集合。圖像和背景種子分別從波浪式的已連成分集合和均勻的已連成分集合中被選擇。在集合中的剩余的已連成分將是背景中的局部起伏或圖像中的平坦區(qū)域。執(zhí)行來(lái)自波浪式集合和均質(zhì)集合的已連成分與它們周?chē)囊堰B成分的連續(xù)合并。這種合并導(dǎo)致波浪式集合和均質(zhì)集合被騰空，以及所有的像素被分配給背景或圖像已連成分。本概要被提供來(lái)以簡(jiǎn)化的形式介紹概念的選擇，這些概念還將在下面的詳細(xì)說(shuō)明中進(jìn)一步描述。本概要既不打算確認(rèn)所要求保護(hù)的主題的關(guān)鍵特征或必要特征，也不打算被用來(lái)幫助確定所要求保護(hù)的主題的范圍。


圖1顯示說(shuō)明性的高級(jí)別的頁(yè)分割架構(gòu)；
圖2顯示說(shuō)明性的文本行檢測(cè)算法的簡(jiǎn)化功能框 圖3顯示說(shuō)明性的圖像區(qū)域檢測(cè)算法的簡(jiǎn)化功能框 圖4顯示說(shuō)明性的圖像坐標(biāo)系統(tǒng)；
圖5顯示使用單詞和行的文本組織的說(shuō)明性例子；
圖6顯示可以在文本檢測(cè)中使用的文本規(guī)則性的說(shuō)明性例子；
圖7顯示其中存在所有字符的共同的最小文本區(qū)域的說(shuō)明性例子；
圖8顯示對(duì)于示范性單詞的基線(xiàn)、主線(xiàn)和X-高度的圖形表示；
圖9顯示僅僅根據(jù)幾何信息，單詞間距的規(guī)則幾何形狀可以如何導(dǎo)致存在兩個(gè)文本列的結(jié)論的例子；
圖10描繪了具有復(fù)雜的彩色梯度的典型的雜志文檔； 圖11顯示在圖10描繪的雜志文檔中包含的、在邊緣空間中的文本信息的例子；
圖12顯示相對(duì)于垂直統(tǒng)計(jì)量的三種類(lèi)型(上行部分(ascender)、下行部分(descender)和其它)的兩個(gè)字符的可能的組合；
圖13顯示文本行的中心線(xiàn)(在基線(xiàn)與主線(xiàn)中間的線(xiàn))；
圖14顯示對(duì)于任意的文本例子的中心線(xiàn)投票的說(shuō)明性直方 圖15顯示具有某個(gè)文本和一部分圖片的說(shuō)明性彩色文檔；
圖16顯示圖15所示的文檔的灰度轉(zhuǎn)換的結(jié)果；
圖17顯示對(duì)于圖16所示的圖像的邊緣檢測(cè)的結(jié)果；
圖18顯示對(duì)于圖17所示的圖像的已連成分檢測(cè)的結(jié)果；
圖19顯示對(duì)于圖18所示的已連成分所估計(jì)的中心線(xiàn)；
圖20顯示通過(guò)使用中心線(xiàn)追蹤規(guī)程被標(biāo)記為中心線(xiàn)的一部分的已連成分；
圖21顯示在自然行檢測(cè)中的說(shuō)明性步驟；
圖22顯示文本樣本如何典型地包括具有在各種方向上的邊緣角度的像素；
圖23顯示對(duì)于圖22所示的文本樣本的、一組說(shuō)明性的邊緣角度(0、90、45和135度)的統(tǒng)計(jì)得到的概率分布；
圖24顯示說(shuō)明性邊緣密度概率；
圖25顯示邊緣(其中邊緣在所有的方向)的垂直投影的說(shuō)明性例子；
圖26顯示水平邊緣的垂直投影的說(shuō)明性例子；
圖27描繪了用來(lái)顯示典型地可能遇到的各種各樣的圖像的說(shuō)明性文檔；
圖28顯示在示范性文檔中分辨率減小和文本濾波的說(shuō)明性結(jié)果；
圖29顯示具有緩慢變化的背景的說(shuō)明性彩色文檔；
圖30顯示將VAR運(yùn)算符應(yīng)用到示范性文檔；
圖31顯示對(duì)于在圖30所示的文檔中的文本像素的方差值的直方 圖32顯示對(duì)于在圖30所示的文檔的、背景和非背景像素的基于像素的分類(lèi)的說(shuō)明性結(jié)果;
圖33顯示對(duì)于在圖30所示的文檔的最后圖像檢測(cè)的結(jié)果，所有的像素被分配到背景或圖像已連成分；
圖34和35是突顯本圖像檢測(cè)技術(shù)的說(shuō)明性例子；以及
圖36是可以通過(guò)其實(shí)施當(dāng)前的行分割的、諸如個(gè)人計(jì)算機(jī)(PC)或服務(wù)器那樣的說(shuō)明性計(jì)算機(jī)系統(tǒng)3600的簡(jiǎn)化框圖。同樣的參考數(shù)字指示圖上同樣的單元。
具體實(shí)施例方式圖1顯示說(shuō)明性高級(jí)別頁(yè)分割架構(gòu)100，其突顯本文檔頁(yè)分割技術(shù)的特征。在說(shuō)明性例子中，文檔頁(yè)分割技術(shù)可以通過(guò)使用如由架構(gòu)100中的方塊110代表的算法而被實(shí)施，算法包括文本行檢測(cè)120和圖像區(qū)域檢測(cè)130。如所示的，對(duì)文檔頁(yè)分割算法110的輸入是典型地被去扭曲(de-skewed)的灰度文檔圖像140。算法110的輸出是一組檢測(cè)到的文本行150和一組檢測(cè)到的圖像區(qū)域160。圖2顯示可以在本文檔頁(yè)分割中使用的說(shuō)明性文本行檢測(cè)算法的簡(jiǎn)化功能框圖200。應(yīng)當(dāng)指出，圖2和它的伴隨的說(shuō)明打算提供本文本行檢測(cè)算法的高級(jí)別總貌。文本行檢測(cè)算法的附加細(xì)節(jié)在下面提供。如圖2所示，在方塊210，輸入包括灰度圖像。在方塊220，利用在灰度圖像上的邊緣檢測(cè)，通過(guò)尋找在文本與背景之間的突然顏色改變(即，邊緣)，以便應(yīng)付在給定的文檔中可能出現(xiàn)的文本與背景的各種組合。在方塊230，對(duì)邊緣執(zhí)行已連成分檢測(cè)，以便識(shí)別在文檔中的已連成分，其可包括文本字符和非文本(如下面定義的，已連成分是圖像像素的子集，其中來(lái)自所述集合的每個(gè)像素與來(lái)自所述集合的所有其余像素相連接)。在方塊240，對(duì)于檢測(cè)到的已連成分中的每個(gè)執(zhí)行中心線(xiàn)追蹤(其中文本行的中心線(xiàn)是在基線(xiàn)與主線(xiàn)的中間，正如那些術(shù)語(yǔ)在下面定義的)，以便生成一組自然行候選者(其中，如下面定義的，自然行是在水平方向上的一組相鄰單詞，它們共享由基線(xiàn)和主線(xiàn)值規(guī)定的相似的垂直統(tǒng)計(jì)量)。從中心線(xiàn)追蹤生成的自然行候選者在文本分類(lèi)方塊250中被分類(lèi)為文本或非文本行。在圖2的方塊260的輸出是一組文本行。圖3顯示說(shuō)明性圖像區(qū)域檢測(cè)算法的框圖300。應(yīng)當(dāng)指出，圖3和它的伴隨的說(shuō)明打算提供本圖像區(qū)域檢測(cè)算法的高級(jí)別總貌。圖像區(qū)域檢測(cè)算法的附加細(xì)節(jié)在下面提供。如圖3所示，在方塊310，輸入包括灰度圖像，以及來(lái)自以上概述的文本行檢測(cè)算法的應(yīng)用的已連成分和文本行。在方塊320，減小輸入圖像的分辨率，其同時(shí)地大量地濾去了文本(且達(dá)到這樣的程度，即:若在分辨率減小后剩余任何文本，均可以應(yīng)用中值濾波來(lái)消除剩余的文本影響)。在方塊330，執(zhí)行方差圖像計(jì)算和基于像素的分類(lèi)，以便把背景與圖像區(qū)域分開(kāi)。在方塊340，執(zhí)行已連成分檢測(cè)和分類(lèi)，這導(dǎo)致已連成分的兩個(gè)集合:包括具有均質(zhì)像素的已連成分(即，具有小的方差的像素)的集合和包括具有波浪式像素的已連成分(即，具有大的方差的像素)的集合。在方塊350，在集合中的每個(gè)已連成分連續(xù)地與它周?chē)囊堰B成分合并，以成為圖像或背景的一部分。在那個(gè)點(diǎn)，圖像檢測(cè)完成，并在圖3的方塊360輸出圖像區(qū)域組。為了易于呈現(xiàn)本文檔頁(yè)分割技術(shù)的特征和原理，下面介紹幾個(gè)數(shù)學(xué)概念。定義1:寬度w和高度h的數(shù)字彩色圖像是兩個(gè)自變量的向量函數(shù)/: ^//40^3,其中65=
，ff=
，以及 X 表示笛卡爾乘積。顯然，這個(gè)定義是從RGB彩色系統(tǒng)推導(dǎo)的，以及在7(r，gj)中的r，g, b分量分別對(duì)應(yīng)于紅、綠和藍(lán)色分量。定義2:寬度W和高度H的數(shù)字灰度圖像是兩個(gè)自變量的標(biāo)量函數(shù)/: ,x/f，其中GS可以是:
-GS=[gl，g2]，其中灰度圖像被稱(chēng)為二元、二級(jí)或二色調(diào)圖像 -GS=[gl，g2，g3，…，gl6]，其中灰度圖像被稱(chēng)為16級(jí)灰度圖像 -GS=[gl, g2，g3，…，g256]，其中灰度圖像被稱(chēng)為256級(jí)灰度圖像。

在這一點(diǎn)，介紹貫穿下面的討論而使用的一個(gè)約定。由于圖像被看作為函數(shù)，所以定義了它的圖形呈現(xiàn)的坐標(biāo)系。通常，圖像的左上角被視為參考點(diǎn)。所以，可以利用的方便的系統(tǒng)是圖4所示的坐標(biāo)系400，其中圖像410的左上角被放置在χ-y軸的原點(diǎn)。定義3:三元組(I (X，y)，x, y)被稱(chēng)為像素。對(duì)(x，y)被稱(chēng)為像素坐標(biāo)，而I (x，y)被稱(chēng)為像素值。典型地，術(shù)語(yǔ)像素可互換地被使用于坐標(biāo)、值和對(duì)。只要不可能出現(xiàn)混淆，術(shù)語(yǔ)像素便也被這樣地使用，否則就使用準(zhǔn)確的術(shù)語(yǔ)。只要不可能出現(xiàn)混淆，符號(hào)I (x，y)便將可以互換地使用。通過(guò)以上給出的三個(gè)定義，提供了數(shù)字圖像的理解。圖像處理的任務(wù)典型地包括一系列變換，這些變換導(dǎo)致原始圖像的某種呈現(xiàn)，該呈現(xiàn)對(duì)于進(jìn)一步的分析是更便利的，可以對(duì)其得出結(jié)論。以下的定義為這些變換的定形(formalization)提供數(shù)學(xué)手段。定義4:令Ω為具有尺度w和h的所有圖像的集合。函數(shù)F:￡r ->￡i被稱(chēng)為η元圖像運(yùn)算符。在η=1的情形下，運(yùn)算符是一元的，而對(duì)于n=2，運(yùn)算符是二元的。以上的定義暗示，運(yùn)算符是通過(guò)使用某組變換法則把一個(gè)圖像(或幾個(gè)圖像)變換成另一個(gè)圖像的函數(shù)。在許多應(yīng)用中，有用的圖像運(yùn)算符是基于濾波器的運(yùn)算符。濾波器(有時(shí)稱(chēng)為核或掩膜)是nXm尺寸的矩陣Anm
權(quán)利要求
1.一種用于在光學(xué)字符識(shí)別過(guò)程中進(jìn)行頁(yè)分割以便檢測(cè)在輸入的去扭曲的灰度圖像中的一個(gè)或多個(gè)文本對(duì)象或圖像對(duì)象的方法，該方法包括以下步驟: 從灰度圖像創(chuàng)建邊緣空間； 將中心線(xiàn)追蹤應(yīng)用到在邊緣空間中識(shí)別的已連成分，以便從已連成分生成一個(gè)或多個(gè)自然行候選者； 將自然行候選者分類(lèi)為文本行或非文本行，以便檢測(cè)圖像中的文本對(duì)象； 從在檢測(cè)到的文本對(duì)象中的像素確定規(guī)定最大局部方差的閾值；以及 通過(guò)根據(jù)最大背景方差執(zhí)行基于像素的分類(lèi)，來(lái)識(shí)別背景像素和圖像區(qū)域像素，以便檢測(cè)圖像中的圖像對(duì)象，而生成分類(lèi)圖像。
2.權(quán)利要求1的方法,其中所述分類(lèi)包括在邊緣空間中針對(duì)內(nèi)含的規(guī)則性來(lái)檢查所述一個(gè)或多個(gè)自然行候選者。
3.權(quán)利要求1的方法，包括降低圖像分辨率以便從該圖像濾去文本的另外的步驟。
4.權(quán)利要求3的方法，包括從經(jīng)濾波的圖像生成方差圖像的另外的步驟。
5.權(quán)利要求1的方法，其中中心線(xiàn)追蹤包括為所述一個(gè)或多個(gè)已連成分的每一個(gè)找出水平鄰居的集合；給所述一個(gè)或多個(gè)已連成分的每一個(gè)分配分?jǐn)?shù)，所述分?jǐn)?shù)代表已連成分屬于文本行的概率；以及通過(guò)應(yīng)用水平鄰居投票來(lái)為每個(gè)已連成分估計(jì)中心線(xiàn)。
6.權(quán)利要求5的方法，其中中心線(xiàn)追蹤還包括選擇具有最大分?jǐn)?shù)的已連成分作為種子；通過(guò)向右移動(dòng)并把種子與右面的已連成分的中心線(xiàn)之間的差值與閾值進(jìn)行比較來(lái)構(gòu)建自然行候選者，且如果差值小于閾值，則把右面的已連成分添加到自然行候選者。
7.權(quán)利要求6的方法，其中中心線(xiàn)追蹤包括迭代進(jìn)行向右的移動(dòng)，直至所述差值超過(guò)閾值或遇到在右面的最后的已連成分為止。
8.權(quán)利要求7的方法，其中中心線(xiàn)追蹤還包括向左移動(dòng)和把種子與左面的已連成分的中心線(xiàn)之間的差值與閾值進(jìn)行比較，且如果差值小于閾值，則把左面的已連成分添加到自然行候選者。
9.權(quán)利要求8的方法，其中中心線(xiàn)追蹤包括迭代進(jìn)行向左的移動(dòng)，直至所述差值超過(guò)閾值或遇到在左面的最后的已連成分為止。
10.權(quán)利要求1的方法，其中分類(lèi)包括將邊緣空間中像素的邊緣角度與同文本相關(guān)聯(lián)的邊緣角度的概率分布進(jìn)行比較。
11.權(quán)利要求1的方法，其中分類(lèi)包括確定在邊緣空間中的以像素計(jì)的邊緣區(qū)域密度。
12.權(quán)利要求1的方法，其中分類(lèi)包括確定在邊緣空間中的邊緣的垂直投影。
13.權(quán)利要求1的方法，包括生成包含均質(zhì)像素的已連成分的集合和生成包括波浪式像素的已連成分集合的另外的步驟。
14.權(quán)利要求13的方法，包括從包括均質(zhì)像素的已連成分的集合中選擇背景種子和從包括波浪式像素的已連成分的集合中選擇圖像種子的另外的步驟。
15.權(quán)利要求14的方法，包括分別從背景和圖像種子開(kāi)始，將來(lái)自包括均質(zhì)像素的已連成分集合和包括波浪式像素的已連成分集合的已連成分連續(xù)地合并成周?chē)囊堰B成分，直至這些集合為空且所有的像素被分配給背景已連成分或圖像已連成分為止。
全文摘要
在光學(xué)字符識(shí)別過(guò)程中的頁(yè)分割被執(zhí)行來(lái)檢測(cè)文本對(duì)象和/或圖像對(duì)象。在輸入的灰度圖像中的文本對(duì)象是通過(guò)選擇用于自然行的候選者而被檢測(cè)的，所述候選者是具有由基線(xiàn)(大多數(shù)文本字符“坐”在該線(xiàn)以上)和主線(xiàn)(大多數(shù)字符“掛”在該線(xiàn)以下)的值規(guī)定的相似垂直統(tǒng)計(jì)量的、水平相鄰的已連成分的集合(即，圖像像素的子集，其中來(lái)自所述集合的每個(gè)像素與來(lái)自該集合的所有的剩余像素相連接)。通過(guò)檢查任何內(nèi)含的規(guī)則性，而對(duì)自然行執(zhí)行二元分類(lèi)，以便把它們分類(lèi)為文本或非文本的。圖像對(duì)象是通過(guò)使用檢測(cè)到的文本規(guī)定背景來(lái)檢測(cè)圖像的背景而被間接檢測(cè)的。一旦背景被檢測(cè)，剩余的東西(即，非背景)就是圖像對(duì)象。
文檔編號(hào)G06K19/00GK103098074SQ201180013245
公開(kāi)日2013年5月8日 申請(qǐng)日期2011年3月10日 優(yōu)先權(quán)日2010年3月10日
發(fā)明者S.加利奇, B.拉達(dá)科維奇, N.托迪奇 申請(qǐng)人:微軟公司