[發明專利]一種高招大本數據采集系統及方法

在審

• 申請號: 201611194572.3
• 申請日: 2016-12-22
• 公開（公告）號: CN106650664A
• 公開（公告）日: 2017-05-10
• 發明（設計）人: 楊洋;潘嶸;林曉藝;趙泛舟;李訓耕
• 申請（專利權）人: 深圳愛拼信息科技有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/34;G06K9/40
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種高招大本數據采集方法，其特征在于，包括如下步驟：

步驟1，通過掃描儀，將紙質書籍掃描成電子文檔；

步驟2，對電子文檔進行圖像預處理；

步驟3，采用字符處理方法對所述圖像預處理后的結果進行字符識別，以識別所述結果中的各類字符；

步驟4，對所述字符識別后的結果進行修正，生成非規則化的數據文檔，然后對所述非規則化的數據文檔進行數據提取處理操作。

2.根據權利要求1所述的一種高招大本數據采集方法，其特征在于，所述步驟2中對

電子文檔進行圖像預處理具體包括：

步驟1.1，圖像二值化處理，采用閾值分割技術，設定灰度閾值，若圖像像素點灰度值大于或等于所述閾值，則被判定為屬于某一特定區域，用 255 表示其灰度值，否則，像素點將被排除在特定區域之外而被判定為背景或其他無用區域，用0表示其灰度值；

步驟1.2，圖像增強處理，通過基于空間域的增強和基于頻率域的增強處理方法，以減少所獲取圖像的小的空間改變；

步驟1.3，噪聲處理，使用濾波器對所述圖像增強處理后的結果進行濾波，去除噪聲。

3.根據權利要求1所述的一種高招大本數據采集方法，其特征在于，所述步驟3中的字符識別具體包括：

步驟3.1，漢字字符識別：采用水平方向上、豎直方向上、45度角方向、反45度角方向4個特定方向上的矢量準確地描述出一個漢字的基本字形特征；

步驟3.2，英文字符識別：采用基于字符結構的方法對字符進行識別，根據字符在水平方向、豎直方向及筆畫的特點，對字符進行逐級的分類，形成一棵判定樹，每個字符就是一個葉子，依據字符自身的結構特征進行逼近識別；

步驟3.3，阿拉伯數字識別：先計算歐拉數，再提取凹陷區的特征，最后根據特征組合識別字符。

4.根據權利要求1所述的一種高招大本數據采集方法，其特征在于，所述步驟4中的

對識別后的結果進行修正具體包括：

利用上下文信息、語法及邏輯，對所述字符識別的結果進行修正，生成非規則化的數據文檔。

5.根據權利要求1所述的一種高招大本數據采集方法，其特征在于，所述步驟4中對所述非規則化的數據文檔進行數據提取處理操作具體包括：

步驟4.1，把非規則化的數據文檔按照文件名的規則順序處理，把表格的行轉換為普通文本格式的行；

步驟4.2，查看轉換出來的文本格式，確定分割條件，分割的條件包括：文理科段落的區分、各個院校段落的區分、院校下各個專業段落的區分條件；

步驟4.3，分別提取所述步驟4.2中的各個所述的段落，合并斷行和上下文回溯；

步驟4.4，通過所述步驟4.3得到一個相對規格化的段落的數據文本后，再針對步驟4.2中的各類具體情況提取需要的信息；

步驟4.5，對步驟4.4得到的信息結果做合并，把某些可能混合在其它段落中的信息作缺省的上下文推斷填充，至此完成數據提取處理操作。

6.一種高招大本數據采集系統，其特征在于，該系統包括書籍掃描模塊、圖像預處理

模塊、字符識別模塊、修正模塊，

書籍掃描模塊，用于通過掃描儀，將紙質書籍掃描成電子文檔；

圖像預處理模塊，用于對電子文檔進行圖像預處理；

字符識別模塊，采用字符處理方法對所述圖像預處理后的結果進行字符識別，以識別所述結果中的各類字符；

修正模塊，用于所述對字符識別后的結果進行修正，生成非規則化的數據文檔，然后所述對非規則化的數據文檔進行數據提取處理操作。

7.根據權利要求6所述的一種高招大本數據采集系統，其特征在于，所述圖像預處理模塊具體包括：二值化模塊、圖像增強模塊、噪聲處理模塊，

二值化模塊，采用閾值分割技術，設定灰度閾值，若圖像像素點灰度值大于或等于所述閾值，則被判定為屬于某一特定區域，用 255 表示其灰度值，否則，像素點將被排除在特定區域之外而被判定為背景或其他無用區域，用0表示其灰度值；

圖像增強模塊，通過基于空間域的增強和基于頻率域的增強處理方法，以減少所獲取圖像的小的空間改變；

噪聲處理模塊，使用濾波器對圖像進行濾波，去除噪聲。