[發(fā)明專利]一種維吾爾文圖像文件的標(biāo)注方法

有效

• 申請?zhí)枺?/td>: 201310244905.9
• 申請日: 2013-06-19
• 公開（公告）號: CN103345481A
• 公開（公告）日: 2013-10-09
• 發(fā)明（設(shè)計(jì)）人: 哈力木拉提·買買提
• 申請（專利權(quán)）人: 新疆大學(xué)
• 主分類號: G06F17/30
• 分類號: G06F17/30;G06K9/46;G06K9/20
• 代理公司: 北京超凡志成知識產(chǎn)權(quán)代理事務(wù)所(普通合伙) 11371
• 代理人: 吳開磊

1.一種維吾爾文圖像文件的標(biāo)注方法，其特征在于，包括如下步驟：

預(yù)先存儲經(jīng)掃描圖像文件以及與所述圖像文件一一對應(yīng)的文本文件；

在標(biāo)注每一頁圖像文件對應(yīng)的文本文件的標(biāo)注信息時(shí)，提取每頁圖像文件的特征向量和對應(yīng)的文本文件的特征向量，利用余弦函數(shù)計(jì)算并分析圖像文件與文本文件特征向量相似性，在每一頁圖像文件與對應(yīng)的每一頁文本文件的區(qū)域中，利用二分法迭代計(jì)算相似性，查找相似單詞圖像及對應(yīng)的標(biāo)注信息進(jìn)行標(biāo)注，縮小錯(cuò)誤標(biāo)注信息所在區(qū)域，最終查找不相似的單詞圖像對應(yīng)的錯(cuò)誤標(biāo)注信息；

對不相似的單詞圖像對應(yīng)的錯(cuò)誤標(biāo)注信息進(jìn)行校正，再執(zhí)行標(biāo)注操作；

所述圖像文件包括多個(gè)維吾爾文掃描圖像文件；所述文本文件包括與多個(gè)維吾爾文掃描圖像文件對應(yīng)的標(biāo)注信息文件。

2.如權(quán)利要求1所述的維吾爾文圖像文件的標(biāo)注方法，其特征在于，

所述提取每頁圖像文件的特征向量和對應(yīng)的文本文件的特征向量，包括如下步驟：

在圖像文件中，通過對所有的單詞圖像的寬度間隔的統(tǒng)計(jì)及每個(gè)單詞中所包含連體段之間的寬度間隔的統(tǒng)計(jì)，獲取圖像特征向量；

在文本文件中，通過對所有的單詞之間所包含空格的統(tǒng)計(jì)，獲取標(biāo)注信息特征向量；

其中，所述單詞包括一個(gè)或多個(gè)連體段。

3.如權(quán)利要求2所述的維吾爾文圖像文件的標(biāo)注方法，其特征在于，

所述在圖像文件中，通過對所有的單詞圖像的寬度間隔的統(tǒng)計(jì)及每個(gè)單詞中所包含連體段之間的寬度間隔的統(tǒng)計(jì)，獲取圖像特征向量，包括如下步驟：

在圖像文件中，求取各個(gè)單詞之間的間隔寬度GWj及各個(gè)連體段之間的間隔寬度GWj，其中：j=1、2、3…m，m為常數(shù)；

預(yù)設(shè)寬度閾值TW作為單詞界限，在整頁圖像文件的區(qū)域中，依照由上到下，從右向左的順序計(jì)算相鄰的每兩個(gè)連體段的間隔寬度GWj；

判斷GWj與TW的大小關(guān)系，若GWj大于或等于TW，則判定兩個(gè)相鄰的連體段之間的間隔為不同單詞圖像之間的空白，并確定單詞圖像的一個(gè)邊界，經(jīng)過多次判斷確定單詞圖像的另一個(gè)邊界，確定完整的單詞圖像；若GWj小于TW，則判定兩個(gè)相鄰的連體段之間的間隔為同一單詞圖像之間的間隙；

計(jì)算得到每個(gè)單詞圖像的連體段數(shù)、相鄰連體段之間關(guān)聯(lián)特征以及圖像文件所在區(qū)域內(nèi)的行數(shù)，單詞數(shù)，并作為圖像文件的特征向量；

其中，單詞圖像之間的間隔稱為空白，同一單詞圖像內(nèi)部的連體段之間的間隔稱為間隙。

4.如權(quán)利要求3所述的維吾爾文圖像文件的標(biāo)注方法，其特征在于，

所述在文本文件中，通過對所有的單詞之間所包含空格的統(tǒng)計(jì)，獲取標(biāo)注信息特征向量，包括如下步驟：

在整頁文本文件的區(qū)域中，依照由上到下，從右向左的順序查找空格，經(jīng)過查找確定完整的單詞；

計(jì)算得到每個(gè)單詞標(biāo)注信息的連體段數(shù)、相鄰連體段標(biāo)注信息之間關(guān)聯(lián)特征以及文本文件所在區(qū)域內(nèi)的行數(shù)，單詞數(shù)，并作為文本文件的特征向量；

其中，相鄰的不同單詞之間包括一個(gè)空格，單詞中的連體段由維吾爾文11個(gè)字母:確定。

5.如權(quán)利要求4所述的維吾爾文圖像文件的標(biāo)注方法，其特征在于，

所述利用余弦函數(shù)計(jì)算并分析圖像文件與文本文件特征向量相似性，在每一頁圖像文件與對應(yīng)的每一頁文本文件的區(qū)域中，利用二分法迭代計(jì)算相似性，查找相似單詞圖像及對應(yīng)的標(biāo)注信息進(jìn)行標(biāo)注，縮小錯(cuò)誤標(biāo)注信息所在區(qū)域，最終查找不相似的單詞圖像對應(yīng)的錯(cuò)誤標(biāo)注信息，包括如下步驟：

利用二分法初始化查找處理時(shí)，將整頁圖像文件的區(qū)域與對應(yīng)的整頁文本文件的區(qū)域均分為兩個(gè)等分子區(qū)域，利用余弦函數(shù)分別計(jì)算兩個(gè)子區(qū)域內(nèi)圖像文件的特征向量與對應(yīng)的子區(qū)域內(nèi)文本文件的特征向量的相似度值，判斷相似度值是否大于相似度閾值；若是，則判定單詞圖像標(biāo)注信息正確，對相似單詞圖像部分進(jìn)行自動(dòng)標(biāo)注；

若否，則判定當(dāng)前文本文件的子區(qū)域中含有與當(dāng)前圖像文件的子區(qū)域內(nèi)單詞圖像對應(yīng)的錯(cuò)誤標(biāo)注信息，在含有錯(cuò)誤標(biāo)注信息的子區(qū)域內(nèi)繼續(xù)利用二分法迭代查找確定單詞的位置，并不斷縮小錯(cuò)誤標(biāo)注信息所在區(qū)域，最終確定不相似的單詞圖像以及單詞圖像對應(yīng)的錯(cuò)誤標(biāo)注信息。

6.如權(quán)利要求5所述的維吾爾文圖像文件的標(biāo)注方法，其特征在于，

所述余弦函數(shù)為：

r=Σ(xi-x‾)(yi-y‾)Σ(xi-x‾)2Σ(yi-y‾)2]]>

其中，圖像文件的特征向量為xi；i=1、2、3…n，n為常數(shù)；文本文件的特征向量為yi；i=1、2、3…n，相似度值為r；

所述圖像文件的特征向量包括每個(gè)單詞圖像的連體段數(shù)、相鄰連體段之間關(guān)聯(lián)特征以及圖像文件所在區(qū)域內(nèi)的行數(shù)，單詞數(shù)的特征向量；

所述文本文件的特征向量包括每個(gè)單詞標(biāo)注信息的連體段數(shù)、相鄰連體段標(biāo)注信息之間關(guān)聯(lián)特征以及文本文件所在區(qū)域內(nèi)的行數(shù)，單詞數(shù)的特征向量；

為圖像文件區(qū)域內(nèi)的特征向量的均值；為文本文件區(qū)域內(nèi)的特征向量的均值；

所述相似度閾值為t；t為正數(shù)；當(dāng)r≥t時(shí)，圖像文件所在區(qū)域與對應(yīng)文本文件所在區(qū)域相似；當(dāng)r＜t時(shí)，圖像文件所在區(qū)域與對應(yīng)文本文件所在區(qū)域不相似。