文档图像识别方法

文档图像识别方法

【技术领域】

[0001] 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】

[0002] 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。

[0003] 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。

[0004] 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、准确性不高的问题图像识别 方法。

【发明内容】

[0005] 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。

[0006] 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。

a 位图图像由数字阵列信息组成 阵列中的各项数字用来描述构成图像的各个点称为像素的亮度和颜色等信息 b 矢量图中用于描述图形内容的指令可描述构成该图形的所有直线、圆、圆弧、矩形、曲线等图元的位置、维数和形状等 c矢量图不会因为放大而产生马赛克现象 d位图图像放大后表示图像内容和颜色的像素数量相应增加 46. 位图文件的扩展名为___________。 “拿到photoshop里面改成300ppi，没有什么实际意义，而且增大了图像的体积”因为这样的改法是固定图像大小（尺寸）下对ppi的修改，它导致了图片像素不真实的扩大，因此导致图片体积的扩大而且图像质量并无改善（多出来的像素都是差值计算出来的），正确的办法是，先按照你所需要扩印的尺寸的比例裁切你的图片，然后固定图片的像素（把“重定义图片的像素”前面的勾去掉）和比例，在“文档大小”里把宽度和高度调整到你所想要的扩印尺寸一致，这时候出来的ppi就是你的图片在这个冲印尺寸下可以得到的dpi，若低于120说明印出来的效果会比较差，120~200说明效果还可以，300是最好的效果，若大于300，先把“重定义图片的像素”前面勾上再修改ppi到300或更低。这个定义的意思就是从图像的第一个像素点开始依行遍历全部像素，在每个像素点上，判断是否结构元素全部位于集合a内，如果是则该点属于腐蚀后的集合，需要保留这个点，否则对改点取反（按照下面的符号约定，即将改点灰度值。

图像匹配的方法有基于图像灰度（区域）的匹配、基于图像特征的匹配和基于解释的匹配或者多种方法结合的匹配。hog算法的具体操作就是将图像分割成很多小的连接区域，在每个小的区域之中生产多个方向梯度直方图或像素点的边缘方向，图像所有的这些区域的方向梯度直方图或像素点边缘方向就构成了图像的描述子hogdescriptor，这个描述子即可作为识别该图像物体的特征向量。进一步在模型中引入了基于图像局部信息的模糊聚类能量 从而可以获取精确的局部图像的空间特征 使得本文模型对噪声图像的聚类分割更具鲁棒性。

[0009] 更进一步地，S30,连通区域特征主要从连通区域的形状特征、颜色特征层面抽取图像识别 方法。

通过对图像的采集和处理，作为档案保存、车牌字符分割算法和光学字符识别算法等汽车牌照自动识别技术是一项利用车辆的动态视频或静态图像进行牌照号码，进而对字符进行识别、牌照识别等几部分，定位出牌照位置，可以为一些纠纷提供有力的证据.其硬件基础一般包括触发设备(监测车辆是否进入视野)，再将牌照中的字符分割出来进行识别、摄像设备。hog算法的具体操作就是将图像分割成很多小的连接区域，在每个小的区域之中生产多个方向梯度直方图或像素点的边缘方向，图像所有的这些区域的方向梯度直方图或像素点边缘方向就构成了图像的描述子hogdescriptor，这个描述子即可作为识别该图像物体的特征向量。所谓内容识别，就是当我们对图像的某一区域进行覆盖填充时，由软件自动分析周围图像的特点，将图像进行拼接组合后填充在该区域并进行融合，从而达到快速无缝的拼接效果。

[0011] 疑似字符SQ，定义为：区域长宽比AR0U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：

其中，Ri e Rs，Υ、α、β为对应的阈值，满足条件的民即为疑似字符SCp SCs包含于 Rs。记图像中疑似字符集SCsS个数为B。

即，整体特征量例如包含对象图像gl的像素值(y、u、v)的平均值以及方差值、对象图像gl横方向的边缘尺寸以及纵方向的边缘尺寸、对象图像gl的u分量的直方图中的层级xl xm各自的次数、对象图像gl的v分量的直方图中的层级xl xs各自的次数、对象图像gl的四角区域r6 r9中的像素值(y、u、v)的平均值以及方差值、对象图像gl的四角区域r6 r9中横方向的边缘尺寸以及纵方向的边缘尺寸、或者对象图像所包括的块图像在每45度的各个方向上的边缘尺寸的直方图中的层级xl xk (k是2以上的整数)各自的次数。 例如，在某些欧洲区域设置中，字符集中的字符“a”（值 0x61）位于字符“ä”（值 0xe4）之前，但在字典顺序中，字符“ä”位于字符“a”之前。众所周知,在计算机当中,数据的存储和加工都是以字节作为基本单位的,一个西文字符要通过一个字节来表达,而一个汉字就要用两个字节,我们把这种每一个字符都通过相同的字节数来表达的编码形式称为定长编码.以西文为例,例如我们要在计算机当中存储这样的一句话:i am a teacher.就需要15个字节,也就是120个二进制位的数据来实现.与这种定长编码不同的是,哈夫曼编码是一种变长编码.它根据字符出现的概率来构造平均长度最短的编码.换句话说如果一个字符在一段文档当中出现的次数多,它的编码就相应的短,如果一个字符在一段文档当中出现的次数少,它的编码就相应的长.当编码中,各码字的长度严格按照对应符号出现的概率大小进行逆序排列时,则编码的平均长度是最小的.这就是哈夫曼编码实现数据压缩的基本原理.要想得到一段数据的哈夫曼编码,需要用到三个步骤:第一步:扫描需编码的数据,统计原数据中各字符出现的概率.第二步:利用得到的概率值创建哈夫曼树.第三步:对哈夫曼树进行编码,并把编码后得到的码字存储起来.因为定长编码已经用相同的位数这个条件保证了任一个字符的编码都不会成为其它编码的前缀,所以这种情况只会出现在变长编码当中,要想避免这种情况,我们就必须用一个条件来制约定长编码,这个条件就是要想成为压缩编码,变长编码就必须是前缀编码.什么是前缀编码呢。

均值阈值、方差阈值和梯度方向一致性阈值，用来判断和分割该指纹块的前景 区域和背景区域【４２】。是为字母或下划线开头，进入一个while循环重复输入其余字符并判断字符是否为字母数字或下划线是则继续输入其余字符，不是则令flag++，输入回车则结束循环，在最后判断flag的值是否为0来输出yes或no。你可以用搜狗输入法打出“丨，丶，〇”等等，像这些字符都是可以用的，分别为shu,dian,ling，这些字符就是你要打的那个字符的拼音。

[0014] 更进一步，S40,文档图像判别，本发明综合以上特征，设计概率模型来判别文档图 像，其判别方法如下： P=a1*Q?)+ a2*Q(C)+ a3*Q(D)+a4*B/A+a5*C/B+ a6*D/B 其中a2, ···，&(；为经验值，且81 + 82+…+ a6=l;(2)

概率值大于一定阈值即被识别为文档图像。

[0015] 本发明技术方案提供的文档图像识别方法，挖掘文档图像的区域形状特征、颜色 特征，设计文档图像判别概率模型，解决了 OCR文档图像识别效率低、常用识别方法识别准 确性不高的问题，为文档图像信息抽取提供了基础技术保障。

【附图说明】

[0016] 图1为本发明实施例提供的文档图像识别方法流程图。 具体实施方案

[0024] 为使本实用新型实施例的目的、技术方案和优点更加清楚，下面将结合本实用新 型实施例中的附图，对本实用新型实施例中的技术方案进行清楚、完整地描述，显然，所描 述的实施例是本实用新型一部分实施例，而不是全部的实施例。应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施方式中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。 此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

[0018] 如图1所示为本发明实施例提供的文档图像识别方法流程图。

[0019] S10,图像预处理 利用小波去噪法对图像进行去噪处理，保持图像细节，主要实现方式：对图像信号进行 小波分解；对经过层次分解后的高频系统进行阈值量化；利用二维小波重构图像信号。采 用基于局部均值自适应的二值化算法，以像素点局部区域的均值作为阈值，将图像上点的 灰度置为〇或255,实现图像的二值化。

gpu原本的目的是图像渲染，图像渲染算法又因为像素与像素之间相对独立，gpu提供大量并行运算单元，可以同时对很多像素进行并行处理，而这个架构正好能用在深度学习算法上。漫水填充法是一种用特定的颜色填充联通区域，通过设置可连通像素的上下限以及连通方式来达到不同的填充效果的方法。hog算法的具体操作就是将图像分割成很多小的连接区域，在每个小的区域之中生产多个方向梯度直方图或像素点的边缘方向，图像所有的这些区域的方向梯度直方图或像素点边缘方向就构成了图像的描述子hogdescriptor，这个描述子即可作为识别该图像物体的特征向量。

[0021] S30,连通区域特征抽取 主要从连通区域的形状特征、颜色特征两个层面抽取特征。

[0022] S301，疑似字符识别 二值图像的区域填充率FR (民），定义为：区域像素点1占所有像素的比值； 疑似字符SQ，定义为：区域的长宽比AR0U小于一定阈值，填充率达在一定阈值区间 的连通区域。可判定如下：

其中，民e Rs，Υ、α、β为对应的阈值，一般Υ=2, α =〇· 1，β =〇· 9,满足条件的民即 为疑似字符SQ，SCs包含于Rs。记图像中疑似字符集SCs总个数为Β。

[0023] S302, 一致性字符发现 一致性字符是指区域大小相似的疑似字符，区域大小可以通过区域面积来描述； 计算疑似字符的区域面积，并统计每种面积的疑似字符数量，数量最多的区域面积对 应的疑似字符即为一致性字符，其个数为C。

[0024] S303,真实字符判断 通过疑似字符的前景色和背景色的色差来判断，其判别方法如下： δ 0 (SC,) + δ ! (SC,) ^ 0. 6*ABS (E〇 (SC,) -Ei (SC,)) 其中，EJSCJ和SJSCJ为疑似字符背景色的均值和方差，EJSQ)和SJSCJ为疑似 字符前景色的均值和方差。满足这个条件的疑似字符称为真实字符，其个数记为D。

[0025] S40,文档图像判别 综合以上多特征，设计概率模型，其判别方法如下： P=a1*Q?)+ a2*Q(C)+ a3*Q(D)+a4*B/A+a5*C/B+ a6*D/B 其中：（1)31，32，*"，36为经验值，且3 1+32+*"+36=1,可取经验值为 {0. 2,0. 15,0. 1,0. 25,0. 2,0. 1} ；(2)

概率值大于一定阈值即被识别为文档图像，一般取P>〇. 5。

【主权项】

1. 文档图像识别方法，其特征在于，包括W下步骤： 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,连通区域内特征抽取； S40,文档图像判别。2. 根据权利要求1所述的文档图像识别方法，其特征在于，图像连通区域是指，图像上 的像素点PiP Pq满足i-1《X《i+1且j-1《y《j+1，则Pii、Pq属于同一个连通区域。3. 根据权利要求1和权利要求2所述的文档图像识别方法，其特征在于，基于聚类的思 想，采用8连通准则，对图像上灰度为O和255的像素点分别聚类，获取连通区域，并统计连 通区域个数，记为A。4. 根据权利要求1所述的文档图像识别方法，其特征在于，从区域的形状特征、颜色特 征抽取连通区域特征，主要包括： S301，疑似字符识别； 疑似字符是指区域的长宽比小于一定阔值，填充率在一定阔值区间的连通区域，其中 填充率通过区域像素点1占所有像素的比值来描述； 5302, 一致性字符发现； 一致性字符是指区域大小相似的疑似字符，区域大小可W通过区域面积来描述，一致 性字符的总个数记为C ; 5303, 真实字符判断； 真实字符通过区域的前景色和背景色的色差来判定。

慧眼图像文字识别软件是一个ocr软件，可以识别图像和文字，包括有cc慧眼，名片识别，文档识别，识别，车牌识别等功能，可满足日常文档办公应用录入需求。慧眼图像文字识别软件能够识别图像与图像中的文字，例如：名片识别、文档识别、识别、车牌识别等功能。慧眼图像文字识别软件是一款功能强大的ocr文字识别软件，该软件拥有名片识别、文档识别、识别、车牌识别等功能，可以轻松的识别图像与图像中的文字，还可以将结果保存为pdf、word等格式文件，充分满足日常文档办公应用录入的需要，极大地提高了工作效率和质量。

3.4 空间关系特征 提取图像空间关系特征可以有两种方法：一种方法是首先对图像进行自动分割，划分出图像中所包含的对象或颜色区域，然后根据这些区域提取图像特征，并建立索引。提取图像空间关系特征可以有两种方法：一种方法是首先对图像进行自动分割，划分出图像中所包含的对象或颜色区域，然后根据这些区域提取图像特征，并建立索引。慧眼图像文字识别软件是一个ocr软件，可以识别图像和文字，包括有cc慧眼，名片识别，文档识别，识别，车牌识别等功能，可满足日常文档办公应用录入需求。

【IPC分类】G06K9/20, G06K9/00

【公开号】CN105590082

【申请号】CN201410563687

【发明人】施水才, 程涛

【申请人】北京拓尔思信息技术股份

【公开日】2016年5月18日

【申请日】2014年10月22日

本文来自电脑杂谈，转载请注明本文网址：
https://www.pc-fly.com/a/jisuanjixue/article-101751-1.html