本發(fā)明涉及的是一種圖像處理技術(shù)領(lǐng)域的方法，具體是針對光學(xué)字符識別中多種文本圖像的版面分析研究。

背景技術(shù)：

伴隨著信息化進程速度的不斷加快，社會對信息量的要求不斷增加，人們越來越少地用紙筆去記錄信息，利用計算機等智能系統(tǒng)開展和大量信息有關(guān)的工作成為了當(dāng)下的趨勢。但是，信息產(chǎn)生的速度遠遠大于信息輸入的速度，這種狀態(tài)會耗費大量人力，且正確率也得不到保障。目前，依賴人工錄入的方式存在的缺陷日益凸顯，這種方法在經(jīng)濟效益和效率方面都存在不足。在人工成本日益攀升的情況下，人們迫切需要尋求一種高效低成本的方式來解決這一困境。光學(xué)字符識別能很好解決這一難題。在光學(xué)字符識別中，版面分析是至關(guān)重要的一步。但在眾多研究中，光學(xué)字符識別的研究一般只針對一類文本圖像，本發(fā)明針對簡單排版的文本圖像、多版塊的文本圖像和復(fù)雜背景的文本圖像等做出了具體的分析和研究。

字符圖像多種多樣，對于單一版塊的文本圖像，其中只存在一段標(biāo)準(zhǔn)的字符，此時并不需要版面分析；但對于版塊較多的報刊圖像、插圖的論文圖像、背景復(fù)雜的標(biāo)牌圖像等，為了后續(xù)的字符分割，版面分析必不可少。本發(fā)明對三種類型的文本圖像進行了版面分析的研究，簡單排版的文本圖像、多版塊的文本圖像和復(fù)雜背景的文本圖像。版面分析后提取文本圖像中的字符區(qū)域以進行光學(xué)字符識別中后續(xù)的字符分割的研究。

技術(shù)實現(xiàn)要素：

針對現(xiàn)有技術(shù)存在的不足，本發(fā)明對三種類型的文本圖像進行了版面分析的研究，簡單排版的文本圖像、多版塊的文本圖像和復(fù)雜背景的文本圖像。

對于光學(xué)字符識別中版塊較為簡單的文本圖像，它并沒有表格、插畫等的干擾，其中只含有橫排或豎排字符。在這種情況下，版面劃分的主要目的是劃分出橫排或者豎排的文字。通過對文本圖像的分析，大多數(shù)的文本段落的行間距的寬度都會小于文字行的寬度。從這方面著手，對于簡單圖像版面分析的具體步驟如下：

第一步，首先對文本圖像進行必要的處理，去除噪聲的干擾，為后續(xù)操作打下基礎(chǔ)。

第二步，在x方向上進行水平投影，在每行字符間會存在空白區(qū)域，此區(qū)域的寬度可能會大小不一；當(dāng)然每行字符也會存在一定的寬度。若空白區(qū)域?qū)挾却笥谂R近的字符行區(qū)域?qū)挾?，則將其視為段落間距進行分割；若空白區(qū)域?qū)挾刃∮谂R近的字符行區(qū)域?qū)挾?，則將其視為行間距，不進行分割。

第三步，在進行第二步的操作后，如果x方向上暫時無可分割處或者已完成x方向上的分割，則采取第二步中同樣的思想，對y方向進行投影及分割。直到完成整個投影分割法的版面劃分過程。

對于光學(xué)字符識別中多版塊文本圖像，其中可能存在圖像、表格、文本等多種信息。將圖像、表格、文本等可以理解成不同的版塊區(qū)域類，而對于此類文本圖像的版面分析就是將不同的區(qū)域類盡可能的分開，并檢測出文本信息進行后續(xù)的字符分割。若將識別的文本圖像中的所有連通區(qū)域視為一個完整的基本連通區(qū)域集合，版面分析的最終結(jié)果是將他們分成三類：圖像區(qū)域類、表格區(qū)域類、文字區(qū)域類(包括橫排和豎排文本)。顯然將所有區(qū)域類一步到位地劃分清楚，即使是針對簡單版面而言也是是困難的。本發(fā)明首先利用形態(tài)學(xué)知識初步將所有區(qū)域類分開，然后逐步細分出各個區(qū)域類，算法總體流程如圖1所示。具體步驟如下：

第一步，形態(tài)學(xué)處理，膨脹腐蝕，開運算閉運算，孔洞填充。

第二步，標(biāo)記連通分量。

第三步，文本段的生成，通過簡單圖像版面分析的處理辦法，進行x軸、y軸方向上的投影劃分，實現(xiàn)二分法中文本區(qū)域類的處理。

第四步，圖形區(qū)域處理，這部分模塊是和文本段的生成模塊相配合的，進一步利用形態(tài)學(xué)知識處理圖像，實現(xiàn)二分法中圖像區(qū)域類的處理。

第五步，表格區(qū)域中劃分字符，通過縱向和橫向投影搜索特征線可以對表格區(qū)域進行判定，即表格的框線；搜索出框線后，進而利用形態(tài)學(xué)知識判定表格中字符區(qū)域的位置并劃分字符區(qū)域。

對于光學(xué)字符識別中復(fù)雜背景的文本圖像，包含的字符較少且背景復(fù)雜，對后續(xù)的分割產(chǎn)生了極大的干擾。復(fù)雜背景區(qū)別與字符區(qū)域的不同之處就在于字符區(qū)域中字符之間存在的間隔是均勻的，字符和底色在灰度值上存在突變。因而，在復(fù)雜背景的文本圖像的灰度上就會有一小塊灰度密集震蕩的區(qū)域。而字符本身與背景底色都有較均勻的灰度，所以在這個區(qū)域有著豐富的邊緣存在。針對此類本文圖像的特點，采取二值邊緣化法進行版面分析，此算法的步驟如下：

第一步，二值化后，利用canny算子進行邊緣檢測。

第二步，對邊緣點進行統(tǒng)計分析，繪出邊緣像素點統(tǒng)計直方圖。

第三步，根據(jù)統(tǒng)計直方圖，找出邊緣像素點較多的區(qū)域。

第四步，對邊緣像素點較多的區(qū)域，各個像素點的灰度值保持不變。

第五步，對邊緣像素點較少的區(qū)域，各個像素點的灰度值置0。

第六步，找出字符區(qū)域后，對字符區(qū)域進行分割從而劃分出字符區(qū)域。

附圖說明

圖1多版塊文本圖像版面分析流程圖；

圖2多版塊文本圖像；

圖3標(biāo)記連通域分量后的圖像。

具體實施方式

下面對本發(fā)明的實施例作詳細說明：本實施例在以本發(fā)明技術(shù)方案為前提下進行實施，給出了詳細的實施方式和過程，但本發(fā)明的保護范圍不限于下述的實施例。

對于光學(xué)字符識別中版塊較為簡單的文本圖像，它并沒有表格、插畫等的干擾，其中只含有橫排或豎排字符。在這種情況下，版面劃分的主要目的是劃分出橫排或者豎排的文字。通過對文本圖像的分析，大多數(shù)的文本段落的行間距的寬度都會小于文字行的寬度。從這方面著手，對于簡單圖像版面分析的具體步驟如下：

第一步，首先對文本圖像進行必要的處理，去除噪聲的干擾，為后續(xù)操作打下基礎(chǔ)。

第二步，在x方向上進行水平投影，在每行字符間會存在空白區(qū)域，此區(qū)域的寬度可能會大小不一；當(dāng)然每行字符也會存在一定的寬度。若空白區(qū)域?qū)挾却笥谂R近的字符行區(qū)域?qū)挾?，則將其視為段落間距進行分割；若空白區(qū)域?qū)挾刃∮谂R近的字符行區(qū)域?qū)挾?，則將其視為行間距，不進行分割。

第三步，在進行第二步的操作后，如果x方向上暫時無可分割處或者已完成x方向上的分割，則采取第二步中同樣的思想，對y方向進行投影及分割。直到完成整個投影分割法的版面劃分過程。

對于光學(xué)字符識別中多版塊文本圖像，其中可能存在圖像、表格、文本等多種信息。以圖2為例，若將識別的文本圖像中的所有連通區(qū)域視為一個完整的基本連通區(qū)域集合，版面分析的最終結(jié)果是將他們分成三類：圖像區(qū)域類、表格區(qū)域類、文字區(qū)域類(包括橫排和豎排文本)。顯然將所有區(qū)域類一步到位地劃分清楚，即使是針對簡單版面而言也是是困難的。本發(fā)明首先利用形態(tài)學(xué)知識初步將所有區(qū)域類分開，然后逐步細分出各個區(qū)域類。具體步驟如下：

第一步，形態(tài)學(xué)處理，膨脹腐蝕，開運算閉運算，孔洞填充。

第二步，標(biāo)記連通分量，處理結(jié)果如圖3所示。

第三步，文本段的生成，通過簡單圖像版面分析的處理辦法，進行x軸、y軸方向上的投影劃分，實現(xiàn)二分法中文本區(qū)域類的處理。

第四步，圖形區(qū)域處理，這部分模塊是和文本段的生成模塊相配合的，進一步利用形態(tài)學(xué)知識處理圖像，實現(xiàn)二分法中圖像區(qū)域類的處理.。

第五步，表格區(qū)域中劃分字符，通過縱向和橫向投影搜索特征線可以對表格區(qū)域進行判定，即表格的框線；搜索出框線后，進而利用形態(tài)學(xué)知識判定表格中字符區(qū)域的位置并劃分字符區(qū)域。

對于光學(xué)字符識別中復(fù)雜背景的文本圖像，包含的字符較少且背景復(fù)雜，對后續(xù)的分割產(chǎn)生了極大的干擾。復(fù)雜背景區(qū)別與字符區(qū)域的不同之處就在于字符區(qū)域中字符之間存在的間隔是均勻的，字符和底色在灰度值上存在突變。因而，在復(fù)雜背景的文本圖像的灰度上就會有一小塊灰度密集震蕩的區(qū)域。而字符本身與背景底色都有較均勻的灰度，所以在這個區(qū)域有著豐富的邊緣存在。針對此類本文圖像的特點，采取二值邊緣化法進行版面分析，此算法的步驟如下：

第一步，二值化后，利用canny算子進行邊緣檢測。

第二步，對邊緣點進行統(tǒng)計分析，繪出邊緣像素點統(tǒng)計直方圖。

第三步，根據(jù)統(tǒng)計直方圖，找出邊緣像素點較多的區(qū)域。

第四步，對邊緣像素點較多的區(qū)域，各個像素點的灰度值保持不變。

第五步，對邊緣像素點較少的區(qū)域，各個像素點的灰度值置0。

第六步，找出字符區(qū)域后，對字符區(qū)域進行分割從而劃分出字符區(qū)域。