[发明专利]一种处理扫描书数据的方法及装置

权利要求书

1.一种处理扫描书数据的方法，其特征在于，针对扫描书中的每个页面文档，包括：

读取所述页面文档的页面图像数据；

对所述页面图像数据进行分割、识别，得到所述页面文档中的每个文字在相应页面文档上的矩形框位置和字符编码；

对所述页面文档中的每行文字进行文字行聚合处理，得到所述每行文字的文字行信息，并根据所述文字行信息对所述每行文字中的每个文字对应的矩形框进行修正，得到每个文字的确切图像矩形框位置信息和文字行聚合信息；

存储所述页面文档中每个文字对应的确切图像矩形框位置信息、文字行聚合信息和字符编码。

2.如权利要求1所述的方法，其特征在于，根据相应的文字行信息对所述每行文字中的每个文字的矩形框进行修正，具体包括：

根据所述文字行信息确定出所述每行文字对应的行高；

将所述每行文字中的所有文字的矩形框的高度调整为与所述每行文字对应的行高相同。

3.如权利要求2所述的方法，其特征在于，确定出所述每行文字对应的行高之后，还包括：

根据所述每行文字的前一行文字和后一行文字的行高，对所述每行文字的行高进行修正。

4.如权利要求1所述的方法，其特征在于，根据相应的文字行信息对所述每行文字中的每个文字的矩形框进行修正之后，还包括：

针对所述页面文档，根据所述页面文档中的文字的像素数据，对所述页面文档中的所有文字进行分类，将视觉相同的文字归为一类，从而得到多类文字图像；

为每类文字图像分配相应的编号，并存储该类文字图像中每个文字图像的确切图像矩形框位置信息、字符编码及对应的编号；

将所述页面文档中的每类文字图像删除，并对删除后的页面文档进行压缩得到压缩文档，并存储所述压缩文档。

5.如权利要求1所述的方法，其特征在于，根据相应的文字行信息对所述扫描书中所有文字对应的矩形框进行修正之后，还包括：

针对每本扫描书，根据所述每本扫描书的所有文字的像素数据，对所述每本扫描书中的所有文字进行分类，将视觉相同的文字归为一类，从而得到多类文字图像；

为每类文字图像分配相应的编号，并存储该类文字图像中每个文字图像的确切图像矩形框位置信息、字符编码及对应的编号；

针对所述每本扫描书中的每个页面文档，将该页面文档中的文字图像删除，并对删除后的页面文档进行压缩得到压缩文档，并存储所述压缩文档。

6.如权利要求1所述的方法，其特征在于，对所述页面图像数据进行分割、识别，具体包括：

采用光学字符识别OCR技术对所述页面图像数据进行分割和识别操作。

7.一种处理扫描书数据的装置，其特征在于，包括：

页面图像数据读取单元，用于读取扫描书中的每个页面文档的页面图像数据；

文字信息获取单元，用于对所述页面图像数据读取单元读取得到的所述页面文档的页面图像数据进行分割、识别，得到所述页面文档中的每个文字在相应页面文档上的矩形框位置和字符编码；

文字修正单元，用于对所述页面文档中的每行文字进行文字行聚合处理，得到所述每行文字的文字行信息，并根据所述文字行信息对所述每行文字中的每个文字对应的矩形框进行修正，得到每个文字的确切图像矩形框位置信息和文字行聚合信息；

信息存储单元，用于存储所述页面文档中每个文字对应的确切图像矩形框位置信息、文字行聚合信息和字符编码。

8.如权利要求7所述的装置，其特征在于，所述文字修正单元根据相应的文字行信息对所述每行文字中的每个文字的矩形框进行修正，具体用于：

根据所述文字行信息确定出所述每行文字对应的行高；

将所述每行文字中的所有文字的矩形框的高度调整为与所述每行文字对应的行高相同。