[发明专利]一种藏文古籍的版面分析方法及系统

说明书

本发明涉及一种藏文古籍的版面分析方法及系统，获取藏文古籍图像，对藏文古籍图像进行二值化处理，获取藏文古籍图像的二值图像，对二值图像进行分离处理，获取文本文档和非文本文档，对文本文档进行区域分割，提取文本区域，获取非本文文档中的图像元素。本发明提供的藏文古籍的版面分析方法能够针对版面结构较复杂的藏文古籍进行可靠分析，并不依赖于具体文档的版面结构，提升处理效果，能够准确分析识别出其中的文本文档和非文本文档，并对文本文档和非文本文档进行可靠处理，而且，本发明提供的藏文古籍的版面分析方法中，降低了计算复杂度，减少了整个过程的计算时间，提高了分析精度和效率。

技术领域

本发明涉及一种藏文古籍的版面分析方法及系统。

背景技术

藏族文化源远流长，藏文古籍文献数量之巨在我国仅次于汉文文献，是中华文明珍贵的文化宝藏。为了保护和传承优秀中华文化，藏文古籍数字化的需求和必要性越来越凸出，成为了国内外文献数字化领域关注的热点。藏文古籍的版面分析，是藏文古籍数字化过程中重要的一部分，是进行藏文古籍文本行分割、藏文分词、藏文字符识别及将藏文古籍内容翻译成其他语言的基础。

藏文古籍时间跨度长、载体多样、类型丰富，不同类型的文档都有各自独特的版面结构，不同文档之间也会有所差异，例如医药、佛经类型的古籍通常在文字中会出现插图，边缘部分有边框等。历史越悠久的藏文古籍，其退化也越严重，版面不规则现象越普遍，文档中的边框、线段通常会出现弯曲、倾斜、断裂等情况。此外，由于藏文文字的特点，藏文古籍中相邻行之间以及文字和边框之间通常会有粘连的情况，这些特点都增加了对藏文古籍进行版面分析的困难。

现有文档版面分析方法大多比较依赖于具体文档的版面结构，在版面结构较复杂的藏文古籍的版面分析中，现有文档版面分析方法的处理效果还不是很好。

发明内容

为了解决上述技术问题，本发明提供一种藏文古籍的版面分析方法及系统。

一种藏文古籍的版面分析方法，包括：

获取藏文古籍图像；

对所述藏文古籍图像进行二值化处理，获取所述藏文古籍图像的二值图像；

对所述二值图像进行分离处理，获取所述二值图像中的文本文档和非文本文档；

对所述文本文档进行区域分割，提取文本区域；

获取所述非本文文档中的图像元素。

进一步地，所述对所述藏文古籍图像进行二值化处理，获取所述藏文古籍图像的二值图像，包括：

对所述藏文古籍图像进行灰度化处理，得到灰度图像；

对所述灰度图像进行二值化处理，得到所述藏文古籍图像的二值图像。

进一步地，所述对所述灰度图像进行二值化处理，得到所述藏文古籍图像的二值图像，包括：

对所述灰度图像使用Sauvola算法求取每个像素(x,y)的局部阈值，计算公式如下：

其中，T(x,y)为所述局部阈值，m(x,y)和s(x,y)表示像素中心为(x,y)的W×W窗口的局部平均值和标准差，R是标准差的最大值，参数k为预设参数；

像素(x,y)的积分图像I的计算公式为：

其中，g(x,y)为所述灰度图像；

任意W窗口的局部平均值m(x,y)和标准差s(x,y)的计算公式为：