[发明专利]一种针对国产操作系统的图片内容提取方法

说明书

本发明提供了一种针对国产操作系统的图片内容提取方法。所述方法包括基于国产操作系统的live CD子系统,虚拟机管理子系统，MODI内容提取子系统，以及透明代理子系统。首先使用liveCD子系统引导客户机启动，然后虚拟机管理子系统会自动启动MODI内容提取子系统，透明代理子系统客户端负责将图片文件传入位于MODI内容提取子系统中的代理服务端，并传给提取服务模块，后者提取文本数据再由代理服务端传回代理客户端，完成内容提取。本方法具有较高的中文内容识别率，对客户机操作系统环境无侵入性，不残留使用痕迹，对客户机硬件具有广泛兼容性。

技术领域

本发明涉及信息安全领域，尤其涉及一种保密单位的软硬件国产化的内容审计应用领域。

背景技术

现有国产操作系统多是基于Linux内核、根据Ubuntu或CentOS社区发行版二次开发而来。目前在这一平台上的图片内容提取的主流方法是基于Google Tesseract项目的OCR技术，但对于中文的识别率较低，并且该方法需要安装软件，对客户机操作系统有侵入性，也会带来额外的依赖冲突，导致软件兼容性不佳，而识别率较高的方案MicrosoftOffice Document Imaging只能应用于Windows操作系统。现状需要突破现有技术使用方式、思路的局限性，对不同平台相关技术特点进行有机结合，从而解决国产操作系统中图片内容提取中文识别率较低问题。

发明内容

鉴于现有技术的缺陷，本发明创造提出一种针对国产操作系统的图片内容提取方法，现有的Linux（国产操作系统）平台的图片内容提取方法是基于Tesseract的OCR技术，中文识别率较低，为提高图片的中文识别率，提出了国产liveCD操作系统 与 包含MicrosoftOffice Document Imaging 组件的Windows虚拟机相结合的方式来解决。

采用的技术解决方案如下：

一种针对国产操作系统的图片内容提取方法，其工作步骤如下：

步骤1：使用国产liveCD操作系统引导客户机启动；

步骤2：同时启动内置Windows虚拟机以及Microsoft Office Document Imaging 图片内容提取服务；

步骤3：代理客户端向其传入图片文件，代理服务端将提取后的文本数据传回客户端，供后续内容审计使用。

有益效果：

与现有技术相比，本发明创造的优点在于：

优点1图片中文识别率较高；

优点2对客户机操作系统环境无侵入性，不安装软件，不升级/覆盖系统组件,无软件依赖冲突；

优点3完全在内存中进行提取操作，不会在客户机残留垃圾、使用痕迹。

附图说明

图1为本发明创造的流程示意图。

具体实施方式：

下面结合附图1，对本发明创造做进一步阐述：

一种针对国产操作系统的图片内容提取方法，其实施例如下：

步骤1：使用国产liveCD操作系统引导客户机启动，整个操作系统（包括文件系统）均处于内存当中，并自动挂载客户机磁盘；

步骤2：虚拟机自启动脚本引导使用预置Windows镜像启动内容提取子系统虚拟机，该系统启动后会启动Microsoft Office Document Imaging 图片内容提取服务以及透明代理服务端；

步骤3：用户传入待提取的图片文件路径给透明代理客户端，客户端读取文件内容并通过TCP协议发送给Windows虚拟机内的透明代理服务端

步骤4：代理服务端将图片文件传给MODI内容提取服务进行文字识别，提取后得到文本数据再由代理服务端发送给代理客户端，完成整个图片内容提取流程。