[發明專利]一種OCR漏識判斷方法及系統

無效

• 申請號: 201110446365.3
• 申請日: 2011-12-28
• 公開（公告）號: CN102592121A
• 公開（公告）日: 2012-07-18
• 發明（設計）人: 蘭榮春
• 申請（專利權）人: 方正國際軟件有限公司
• 主分類號: G06K9/20
• 分類號: G06K9/20
• 代理公司: 北京天悅專利代理事務所(普通合伙) 11311
• 代理人: 田明;任曉航

技術領域

本發明涉及計算機文字識別處理技術領域，尤其涉及一種基于圖像區域增長算法的OCR漏識判斷方法及系統。

背景技術

隨著計算機技術及數字化技術的不斷發展，需要將傳統的紙質書籍、文檔、報紙等電子化。在將這些物理實體數據到電子數據的轉換加工過程中，紙質的書籍、文檔、報紙最終轉換為電子數據(TXT、WORD，PDF等格式的電子文件)，不可避免的使用文字識別技術(OCR技術，Optical?Character?Recognition，光學字符識別)。

基于圖書數字化加工的特點，要求有效圖像內容不能“丟失”，現在的有很多OCR引擎，如漢王，ABBYY，文通等。這些OCR技術雖然已經比較成熟，但在應用過程中并不能完全滿足實際的需求，特別是OCR的漏識問題。

OCR漏識的原因主要是：

1.被識別文檔本身的原因，如印刷的油墨問題，或者被識別文檔年代久遠或破損，字跡模糊不清晰等；

2.掃描文檔時存在的問題，如掃描的質量，圖像的分辨率等，容易造成文字筆畫不規則，為后續的正確識別造成障礙；

3.OCR技術本身給出的文字坐標不能將整個文字包圍，也會造成漏識。

OCR漏識后，就會造成了頁面有效內容的丟失，現在采用通過識別后的文字與原圖人工對比查找漏識區的方法，效率低。

因此，在OCR識別過程中，OCR識別圖像的正確性與效率固然重要，但如何找到OCR的漏識區間也是非常重要的。目前還未見針對OCR識別中的漏識問題提出的技術解決方案及相關文獻。

發明內容

針對現有技術中所存在的不足，本發明的目的在于提供一種能夠快速找到OCR過程中的漏識區間的基于圖像區域增長算法的OCR漏識判斷方法及系統。

為實現上述發明目的，本發明采用的技術方案如下：

一種OCR漏識判斷方法，包括以下步驟：

(1)數據輸入：輸入原始圖像，所述的原始圖像為二值圖；

(2)對輸入的原始圖像進行OCR識別，輸出識別結果；

(3)漏識判斷：根據步驟(2)中的輸出識別結果，判斷漏識區間；

(4)搜索漏識區間里的聯通區，過濾圖像與噪點；

(5)輸出漏識文字。

進一步，步驟(2)中所述的輸出識別結果包括識別出的文字及其矩形坐標即矩形框。

進一步，步驟(3)中，判斷漏識區間的方法如下：對輸出的文字逐個處理，判斷文字筆畫是否全部在矩形框內，如果不是，則根據輸出的該文字的矩形坐標從矩形四邊向外做圖像增長，將與矩形框相鄰的黑點也視作該文字的像素點，得到該文字的所有像素點，從圖像中刪除該文字的所有像素點；如果是，則繼續處理下一個文字，直到完成所有文字的處理，最后就得到了圖像中的漏識區間。

更進一步，在對文字的矩形框作增長時，具體方法是：從矩形框邊緣開始，遇與文字連接有效像素點的就向外擴邊，直到無有效像素點為止，這就得到了該文字新的邊界。

再進一步，在對文字矩形框向外增長時，按像素點逐點向外增長，增長的比例控制在50％以內。

進一步，步驟(4)中，搜索聯通區時，對步驟(3)中得到的所有漏識區間中的黑色像素點周圍進行掃描，得到所有聯通區；

然后根據聯通區面積及文字矩形框面積的大小，將聯通區面積遠大于文字矩形框面積的區域視作圖像，將聯通區面積遠小于文字矩形框面積的區域視作噪點，然后對這些圖像與噪點進行過濾。

更進一步，將大于文字矩形框面積4-8倍以上的聯通區視作圖像。將小于文字矩形框面積1/8-1/16以下的聯通區視作噪點。

進一步，步驟(5)中，將接近于文字矩形框面積的聯通區域視作漏識文字進行輸出。

一種OCR漏識判斷系統，包括以下裝置：

數據輸入裝置，用于輸入原始圖像，所述的原始圖像為二值圖；

OCR識別裝置，用于對輸入的原始圖像進行OCR識別，輸出識別結果，所述識別結果包括識別出的文字及其矩形坐標即矩形框；

漏識判斷裝置，用于對輸出的文字逐個處理，判斷文字筆畫是否全部在矩形框內，如果不是，則根據輸出的該文字的矩形坐標從矩形四邊向外做圖像增長，將與矩形框相鄰的黑點也視作該文字的像素點，得到該文字的所有像素點，從圖像中刪除該文字的所有像素點；如果是，則繼續處理下一個文字，直到完成所有文字的處理，最后就得到了圖像中的漏識區間；

聯通區搜索裝置，用于搜索漏識區間里的聯通區；

圖像與噪點過濾裝置，用于過濾漏識區間里的圖像與噪點；

輸出裝置，用于輸出漏識文字。