[发明专利]文档图像识别方法

说明书

文档图像识别方法，包括图像预处理、获取图像连通区域、连通区域特征抽取、文档图像判别，图像连通区域的获取借助了聚类的思想，应用8连通准则，对灰度值为0和255的像素点分别聚类，准确识别连通区域。连通区域特征包括形状特征、颜色特征，主要分三种方式抽取，依次为疑似字符识别、一致性字符发现、真实字符判断，特征抽取简洁、复杂度低。实现了文档图像的准确、高效的识别，解决了文档图像识别性能低下的问题。

技术领域

本发明涉及多媒体信息处理领域，具体地说，是涉及文档图像识别方法。

背景技术

图像文件中有一类图像以文字、表格等为主要内容的，这些图像是记录在纸张上、电子文档上的文字经过扫描、拍照、截图等方式转化而来的，这类图像通常被定义为文档图像。随着互联网和多媒体技术的迅速发展，文档图像以其固有的优势，一方面能提供较大的信息量，另一方面可以规避现有的采集、监测，越来越多的在互联网上呈现。

为此，对文档图像的识别，挖掘其包含的信息、实现图像内容的监控和预警，是互联网信息挖掘及互联网信息安全规范不可避免的道路。但文档图像通常和大量的非文档图像混杂在一起，以人工方法将文档图像挑选出来，费时费力，且容易产生主观偏见，导致结果不一致；另外有一些自动识别方法，利用文档图像与非文档图像在颜色与纹理上的差异来识别，这些方法主要根据灰度值利用概率模型进行识别，对于彩色图像容易误识别，且需要配置较多的经验参数；随着光学字符识别（OCR）的发展，基于OCR的文档图像识别逐渐受重视，OCR识别虽然准确性高，但是效率比较低，无法满足海量数据时代的需求。

为此，针对当前海量图像识别、监测、检索的实时性需求，本发明提出一种文档图像识别方法，将单个文字看作是文档图像上的一个小区域，基于聚类的思想识别图像上的连通区域，抽取每个区域上的形状特征、颜色特征，设计概率模型，实现文档图像的识别，以解决当前海量图像识别时效率低、准确性不高的问题。

发明内容

本发明要解决的技术问题是提供一种基于区域特征的文档图像识别方法，提高海量图像处理的效率和准确性。

为解决当前海量图像识别的准确性低、效率低的问题，本发明提供了一种文档图像识别方法，该方法包括：

S10，图像预处理，对图像进行去噪和二值化处理；

S20，获取图像连通区域，抽取图像上所有连通区域；

S30，连通区域特征抽取；

S40，文档图像判别。

更进一步，图像连通区域由像素点构成，可定义如下：对于像素点P_ij、P_xy，如果满足i-1≤x≤i+1且j-1≤y≤j+1，则P_ij、P_xy属于同一个连通区域。

基于聚类思想，采用8连通准则，对图像上灰度为0和255的像素点分别聚类，获取连通区域R_s={R₁，R₂,…，R_A}，并统计连通区域个数记为A。

更进一步地，S30，连通区域特征主要从连通区域的形状特征、颜色特征层面抽取。

S301，疑似字符识别；

二值图像的区域填充率FR(R_i)，定义为：区域像素点1占所有像素的比值。

疑似字符SC_i，定义为：区域长宽比AR(R_i)小于一定阈值，且区域填充率在一定阈值区间的连通区域。疑似字符集记为SC_s,可判定如下：