[发明专利]文档处理方法及其装置

权利要求书

1.一种文档处理方法，其包括：

对于多个输入的文档图像中的每个文档图像：

检测与初始关键字符相匹配的初始关键字符图像，所述初始关键字符是所述多个文档图像的标题中的关键字符；

针对每个初始关键字符图像，提取与该初始关键字符图像相邻的至少一个字符图像作为相邻字符图像，其中初始关键字符图像与相邻字符图像构成准标题区域；

计算每个准标题区域的置信度值，并且选择具有最高置信度值的准标题区域作为该文档图像的标题候选，其中所述准标题区域的置信度值表示相应的准标题图像是该文档图像的标题的可能性；

基于从所述多个文档图像获得的标题候选对文档图像进行聚类，从而得到具有同类标题的文档分类。

2.根据权利要求1所述的方法，其中，所述将标题候选进行聚类包括：

针对所述多个输入的文档图像中的任意两个文档图像，基于标题候选中的初始关键字符图像在所述任意两个文档图像中的位置之间的相似性，以及标题候选中的初始关键字符之间的相似性，计算所述任意两个文档图像之间的标题相似性；以及

将彼此之间具有大于或等于第一预定阈值的标题相似性的文档图像归类为具有同类标题的文档分类。

3.根据权利要求1所述的方法，还包括：

识别与每个标题候选中的相邻字符图像相对应的字符作为该标题候选的相邻字符，其中相邻字符和对应于所述标题候选的初始关键字符构成标题候选字符；并且

所述将标题候选进行聚类包括：

针对所述多个输入的文档图像中的任意两个文档图像，基于标题候选中的初始关键字符图像在所述任意两个文档图像中的位置之间的相似性，以及标题候选字符之间的相似性，计算所述任意两个文档图像之间的标题相似性；以及

将彼此之间具有大于或等于第二预定阈值的标题相似性的文档图像归类为具有同类标题的文档分类。

4.根据权利要求2或3所述的方法，其中所述将标题候选进行聚类还包括：

在具有同类标题的文档分类中，基于该文档分类中的文档图像之间的标题相似性确定中心标题候选，其中所述中心标题候选是所述文档分类中的任一文档图像与其他文档图像之间的标题相似性之和最高的文档图像的标题候选；

将所述中心标题候选与该文档分类中的其他文档图像的标题候选进行比较，将与所述中心标题候选所属的文档图像之间的标题相似性小于第三预定阈值的文档图像排除出在该文档分类；和/或

将所述中心标题候选与该文档分类之外的文档图像的标题候选进行比较，将与所述中心标题候选所属的文档图像之间的标题相似性大于或等于第四预定阈值的文档图像划入该文档分类，所述第四预定阈值大于或等于所述第三预定阈值。

5.根据权利要求1至4中任一项所述的方法，其中，所述置信度值计算方法如下：

C＝S^aD_n^bD_h^cK^d，

其中C为所述置信度值，S为所述相邻字符图像和相对应的初始关键字符图像的平均尺寸，D_n为由所述准标题区域的水平中心与该文档图像的水平中心之间的距离与该文档图像的宽度之比，D_h为所述准标题区域的上边缘与该文档图像的上边缘之间的距离与该文档图像的长度之比，K为所述初始关键字符图像与所述初始关键字符之间的匹配程度，a、b、c、d分别是S、D_n、D_h、K的预设的权重。

6.一种文档处理装置，其包括：

检测单元，其配置成对于多个输入的文档图像中的每个文档图像检测与初始关键字符相匹配的初始关键字符图像，其中所述初始关键字符是所述多个文档图像的标题中的关键字符；

提取单元，其配置成针对每个初始关键字符图像，提取与该初始关键字符图像相邻的至少一个字符图像作为相邻字符图像，其中初始关键字符图像与相邻字符图像构成准标题区域；

选择单元，其配置成计算每个准标题区域的置信度值，并且选择具有最高置信度值的准标题区域作为该文档图像的标题候选，其中所述准标题区域的置信度值表示相应的准标题图像是该文档图像的标题的可能性；

聚类单元，其配置成基于从所述多个文档图像获得的标题候选对文档图像进行聚类，从而得到具有同类标题的文档分类。