[发明专利]结合阈值和投影法的图、表、文混排版面分析系统及方法

说明书

本发明公开了一种结合阈值和投影法的图、表、文混排版面分析方法，包括如下步骤：S1、将按阈值Tg将校正后的灰度图像R’转变为二值(黑白)图像；S2、将二值图像中每个前景区域，分为文字区域和非文字区域；S3、将表分图解析成表格；S4、将每个表格分割成行/列：S5、检测整幅图像的页面布局是否正确；S6、对列/行排序决定下一步处理的先后次序，先列后行；S7、对表格的每个列/行，先列后行，只处理单纯的列/行，依次分割成字；S8、按字处理复合的列/行，依次分割成字。本发明能够解析版面布局，确定页面是正面、背面，上下、左右是否颠倒，也能够处理粘连在表上的字，还能够大幅提高文字的识别率。

技术领域

本发明涉及文字识别技术领域，具体涉及一种结合阈值和投影法的图、表、文混排版面分析系统及方法。

背景技术

目前，文字识别中，计算机很难识别页面是正立、倒立、镜向的，整体文字的识别率也不高。

发明内容

为解决上述问题，本发明提供了一种结合阈值和投影法的图、表、文混排版面分析系统及方法，能够解析版面布局，确定页面是正面、背面，上下、左右是否颠倒，也能够处理粘连在表上的字，还能够大幅提高文字的识别率。

为实现上述目的，本发明采取的技术方案为：

结合阈值和投影法的图、表、文混排版面分析方法，包括如下步骤：

S1、将按阈值Tg将校正后的灰度图像R’转变为二值(黑白)图像；

S2、将二值图像中每个前景区域，按区域大小、长宽比、占空比分为文字区域和表区域；

S3、将表区域分图解析成表格；

S3.1、定位横线；

S3.2、定位纵线；

S3.3、解析成表格；

S3.4、去除表上粘连的文字；

S4、将每个表格中的文字区域分割成行/列：

S5、检测整幅图像的页面布局是否正确；

S6、对列/行排序决定下一步处理的先后次序，先列后行；

S7、对表格的每个列/行，先列后行，只处理单纯的列/行，依次分割成字；

S8、按字处理复合的列/行，依次分割成字。

进一步地，所述步骤S1包括如下步骤：

S1.1、统计任务中前景像素对整幅图像像素的占比范围(Rt1-Rt2)；

S1.2、生成整幅图像的灰度直方统计图，图中，横轴为灰度值，纵轴为相应灰度值下的像素数；

S1.3、计算前景占比为Rt1、Rt2时灰度直方统计图中的对应灰度值Hr1、Hr2；

S1.4、与OSTU算法类似，在对应灰度值范围Hr1-Hr2内选择将图像二分成前景、背景后类间方差最大、类内方差最小的阈值Tg，将图像二分成前景、背景。

进一步地，所述步骤S2包括如下步骤：

S2.1、扫描图像，定位到二维码、扫描码与容易与文字区分开的图形，构成图形分图graphicImage；

S2.2、统计任务中文字、表的大小范围(Ht1-Ht2)、长宽比范围(Zt1-Zt2)和占空比范围(Bt1-Bt2)；

S2.3、将在表大小范围、长宽比范围和占空比范围的前景区域放入图表数组textsbwArrary，并将全部的图表构成一张表分图tableImage；