[发明专利]一种碎片复原方法

权利要求书

1.一种碎片复原方法，其特征在于，包括步骤：

建立纵横切文本碎片的电子图像，并转化为二值化电子图像；

提取碎片字符，在一次提取字符行的基础上进一步提取字符列，再二次提取字符行，提取到所需的单个字符；

建立字符数据库，数据库中的字符图像为与碎片中的字符相同字体的二值化矩阵；

分行聚类，通过确定文本最左侧碎片聚类中心，将其他碎片根据聚类距离分配到离其距离最短的聚类中心所述类，从而将属于同一横行的碎片聚为同一类；

行内拼接，通过提取碎片的边缘字符，计算边缘字符和字符库中每个字符的距离，得到边缘字符可能对应的原始字符和缺失比例，然后拼接两个碎片，估计拼接处的最小距离，拥有最小距离的排列为最终的行内拼接顺序，并按照拥有最小距离的排列将同一类碎片进行行内拼接；

拼接不同行的碎片；

在行内拼接步骤中，估计两个碎片拼接处的最小距离应先求取两张碎片之间的距离，其步骤为：

计算两张碎片某个字符行之间的距离；假设拼接的两张碎片为P和Q，P为左侧的碎片，Q为右侧的碎片，需要计算的为第i个字符行之间的距离D_i(P,Q)；如果P和Q在第i个字符行拼接处的边缘字符是完整的，距离为0；否则距离为拼接起来的字符与可能对应的原始字符的最小距离；

具体步骤如下：

步骤一、选择t_P个左碎片P在第i个字符行的右边缘字符可能对应的原始字符，即字符库中与右边缘字符距离最小的t个字符；

步骤二、选择t_Q个右碎片Q在第i个字符行的左边缘字符可能对应的原始字符，即字符库中与右边缘字符距离最小的t个字符；

步骤三、因此P和Q在第i个字符行拼接处的边缘字符是完整的或者拼接处可能对应的原始字符为上述两步得到的集合的并集；

步骤四、假设CHARACTER为两个碎片P和Q第i个字符行拼接处可能对应的原始字符character的集合，碎片P第i个字符行拼接处字符对于这些原始字符集合的缺失比例集合为LOSS_P，碎片Q第i个字符行拼接处字符对于这些原始字符集合的缺失比例集合为LOSS_Q，碎片P第i个字符行的拼接处字符的列数为list_P，碎片Q第i个字符行的拼接处字符的列数为list_Q，因此以为P左碎片，Q为右碎片，P和Q第i个字符行处的距离为：

其中D(P_i,a_k)为碎片P的第i个字符行的右字符和某个估计字符a_k间的距离，D(Q_i,a_k)为碎片Q的第i个字符行的左字符和某个估计字符a_k间的距离，h₃是将字符视为完整字符的阈值；公式第一行意味着如果碎片P的第i个字符行的右字符是完整的，并且碎片Q的第i个字符行的左字符是完整的，则碎片P和Q的第i个字符行处是可以连接的；公式第二行意味着碎片P和Q的第i个字符行处的加权平均值；

步骤五、计算同一类中任意两张碎片之间的距离，假设两张碎片P,Q都有n个字符行，则碎片P,Q之间的距离为

2.根据权利要求1所述的碎片复原方法，其特征在于，所述提取字符行的具体步骤为：

做纵横切文本碎片的行投影，即做每行的黑色点个数的函数图像；

设置行投影数值的阈值为h₁，行投影数值大于h₁的行被记录为多墨行；将所有的多墨行的索引放在一个向量中，这样的向量成为多墨行向量，即保存多墨行信息的向量；

假设最小的字符长度为T₁,记录连续的并且连接起来的长度大于T₁的多墨行为字符行。