[發(fā)明專利]一種處理掃描書數(shù)據(jù)的方法及裝置

有效

• 申請?zhí)枺?/td>: 201110448225.X
• 申請日: 2011-12-28
• 公開（公告）號: CN103186911A
• 公開（公告）日: 2013-07-03
• 發(fā)明（設(shè)計）人: 仇睿恒;李赟
• 申請（專利權(quán)）人: 北大方正集團有限公司;北京方正阿帕比技術(shù)有限公司
• 主分類號: G06T11/60
• 分類號: G06T11/60;G06K9/20
• 代理公司: 北京同達信恒知識產(chǎn)權(quán)代理有限公司 11291
• 代理人: 郭潤湘

1.一種處理掃描書數(shù)據(jù)的方法，其特征在于，針對掃描書中的每個頁面文檔，包括：

讀取所述頁面文檔的頁面圖像數(shù)據(jù)；

對所述頁面圖像數(shù)據(jù)進行分割、識別，得到所述頁面文檔中的每個文字在相應(yīng)頁面文檔上的矩形框位置和字符編碼；

對所述頁面文檔中的每行文字進行文字行聚合處理，得到所述每行文字的文字行信息，并根據(jù)所述文字行信息對所述每行文字中的每個文字對應(yīng)的矩形框進行修正，得到每個文字的確切圖像矩形框位置信息和文字行聚合信息；

存儲所述頁面文檔中每個文字對應(yīng)的確切圖像矩形框位置信息、文字行聚合信息和字符編碼。

2.如權(quán)利要求1所述的方法，其特征在于，根據(jù)相應(yīng)的文字行信息對所述每行文字中的每個文字的矩形框進行修正，具體包括：

根據(jù)所述文字行信息確定出所述每行文字對應(yīng)的行高；

將所述每行文字中的所有文字的矩形框的高度調(diào)整為與所述每行文字對應(yīng)的行高相同。

3.如權(quán)利要求2所述的方法，其特征在于，確定出所述每行文字對應(yīng)的行高之后，還包括：

根據(jù)所述每行文字的前一行文字和后一行文字的行高，對所述每行文字的行高進行修正。

4.如權(quán)利要求1所述的方法，其特征在于，根據(jù)相應(yīng)的文字行信息對所述每行文字中的每個文字的矩形框進行修正之后，還包括：

針對所述頁面文檔，根據(jù)所述頁面文檔中的文字的像素數(shù)據(jù)，對所述頁面文檔中的所有文字進行分類，將視覺相同的文字歸為一類，從而得到多類文字圖像；

為每類文字圖像分配相應(yīng)的編號，并存儲該類文字圖像中每個文字圖像的確切圖像矩形框位置信息、字符編碼及對應(yīng)的編號；

將所述頁面文檔中的每類文字圖像刪除，并對刪除后的頁面文檔進行壓縮得到壓縮文檔，并存儲所述壓縮文檔。

5.如權(quán)利要求1所述的方法，其特征在于，根據(jù)相應(yīng)的文字行信息對所述掃描書中所有文字對應(yīng)的矩形框進行修正之后，還包括：

針對每本掃描書，根據(jù)所述每本掃描書的所有文字的像素數(shù)據(jù)，對所述每本掃描書中的所有文字進行分類，將視覺相同的文字歸為一類，從而得到多類文字圖像；

為每類文字圖像分配相應(yīng)的編號，并存儲該類文字圖像中每個文字圖像的確切圖像矩形框位置信息、字符編碼及對應(yīng)的編號；

針對所述每本掃描書中的每個頁面文檔，將該頁面文檔中的文字圖像刪除，并對刪除后的頁面文檔進行壓縮得到壓縮文檔，并存儲所述壓縮文檔。

6.如權(quán)利要求1所述的方法，其特征在于，對所述頁面圖像數(shù)據(jù)進行分割、識別，具體包括：

采用光學(xué)字符識別OCR技術(shù)對所述頁面圖像數(shù)據(jù)進行分割和識別操作。

7.一種處理掃描書數(shù)據(jù)的裝置，其特征在于，包括：

頁面圖像數(shù)據(jù)讀取單元，用于讀取掃描書中的每個頁面文檔的頁面圖像數(shù)據(jù)；

文字信息獲取單元，用于對所述頁面圖像數(shù)據(jù)讀取單元讀取得到的所述頁面文檔的頁面圖像數(shù)據(jù)進行分割、識別，得到所述頁面文檔中的每個文字在相應(yīng)頁面文檔上的矩形框位置和字符編碼；

文字修正單元，用于對所述頁面文檔中的每行文字進行文字行聚合處理，得到所述每行文字的文字行信息，并根據(jù)所述文字行信息對所述每行文字中的每個文字對應(yīng)的矩形框進行修正，得到每個文字的確切圖像矩形框位置信息和文字行聚合信息；

信息存儲單元，用于存儲所述頁面文檔中每個文字對應(yīng)的確切圖像矩形框位置信息、文字行聚合信息和字符編碼。

8.如權(quán)利要求7所述的裝置，其特征在于，所述文字修正單元根據(jù)相應(yīng)的文字行信息對所述每行文字中的每個文字的矩形框進行修正，具體用于：

根據(jù)所述文字行信息確定出所述每行文字對應(yīng)的行高；

將所述每行文字中的所有文字的矩形框的高度調(diào)整為與所述每行文字對應(yīng)的行高相同。