基于云計(jì)算的文本掃描識(shí)別方法
【專利摘要】本發(fā)明公開了一種基于云計(jì)算的文本掃描識(shí)別方法，包括以下步驟：文檔圖像預(yù)處理：針對(duì)從掃描儀直接掃描出的原始圖像進(jìn)行預(yù)處理；文檔圖像版面特征分析：將預(yù)處理文檔圖像加載到版面分析引擎進(jìn)行處理：根據(jù)預(yù)處理文檔圖像的版面特征信息，添加掩膜并對(duì)關(guān)鍵域進(jìn)行局部處理；碎片化：對(duì)經(jīng)過文檔圖像掩膜步驟處理后的預(yù)處理文檔圖像進(jìn)行切碎處理；碎片的OCR/ICR識(shí)別：識(shí)別小碎片，拼接并輸出文字；語(yǔ)意識(shí)別：利用統(tǒng)計(jì)語(yǔ)言模型算法結(jié)合行業(yè)辭典，對(duì)OCR／ICR的結(jié)果進(jìn)行邏輯校驗(yàn)。本發(fā)明利用圖像特征識(shí)別，圖像掩膜，圖像碎片化，碎片的并發(fā)處理OCR／ICR，語(yǔ)意校驗(yàn)等特種方法綜合使用，顯著提高了文本掃描件的最終準(zhǔn)確率。
【專利說明】基于云計(jì)算的文本掃描識(shí)別方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種文本掃描識(shí)別的方法，尤其涉及一種基于云計(jì)算的文本掃描識(shí)別 方法。

【背景技術(shù)】
[0002] 圖像識(shí)別技術(shù)是人工智能的一個(gè)重要領(lǐng)域。為了編制模擬人類圖像識(shí)別活動(dòng)的計(jì) 算機(jī)程序，人們提出了不同的圖像識(shí)別模型。例如模板匹配模型。這種模型認(rèn)為，識(shí)別某個(gè) 圖像，必須在過去的經(jīng)驗(yàn)中有這個(gè)圖像的記憶模式，又叫模板。當(dāng)前的刺激如果能與大腦中 的模板相匹配，這個(gè)圖像也就被識(shí)別了。例如有一個(gè)字母A，如果在腦中有個(gè)A模板，字母 A的大小、方位、形狀都與這個(gè)A模板完全一致，字母A就被識(shí)別了。這個(gè)模型簡(jiǎn)單明了，也 容易得到實(shí)際應(yīng)用。但這種模型強(qiáng)調(diào)圖像必須與腦中的模板完全符合才能加以識(shí)別，而事 實(shí)上人不僅能識(shí)別與腦中的模板完全一致的圖像，也能識(shí)別與模板不完全一致的圖像。例 如，人們不僅能識(shí)別某一個(gè)具體的字母A，也能識(shí)別印刷體的、手寫體的、方向不正、大小不 同的各種字母A。同時(shí)，人能識(shí)別的圖像是大量的，如果所識(shí)別的每一個(gè)圖像在腦中都有 一個(gè)相應(yīng)的模板，也是不可能的。為了解決模板匹配模型存在的問題，格式塔心理學(xué)家又提 出了一個(gè)原型匹配模型。這種模型認(rèn)為，在長(zhǎng)時(shí)記憶中存儲(chǔ)的并不是所要識(shí)別的無(wú)數(shù)個(gè)模 板，而是圖像的某些"相似性"。從圖像中抽象出來(lái)的"相似性"就可作為原型，拿它來(lái)檢驗(yàn) 所要識(shí)別的圖像。如果能找到一個(gè)相似的原型，這個(gè)圖像也就被識(shí)別了。這種模型從神經(jīng) 上和記憶探尋的過程上來(lái)看，都比模板匹配模型更適宜，而且還能說明對(duì)一些不規(guī)則的，但 某些方面與原型相似的圖像的識(shí)別。但是，這種模型沒有說明人是怎樣對(duì)相似的刺激進(jìn)行 辨別和加工的，它也難以在計(jì)算機(jī)程序中得到實(shí)現(xiàn)。因此又有人提出了一個(gè)更復(fù)雜的模型， 即"泛魔"識(shí)別模型。
[0003] 具體而言，現(xiàn)有的影像識(shí)別技術(shù)有如下幾種：國(guó)內(nèi)的漢王，紫光文通，尚書7號(hào)，國(guó) 外的Abbyy FineReaderll等。這些方案都著重于對(duì)于純文字的識(shí)別率，即OCR,但對(duì)整體 的識(shí)別準(zhǔn)確率，特別是對(duì)有超高識(shí)別率要求的特別域一即有效識(shí)別率，沒有太多的考慮和 設(shè)計(jì)。同時(shí)，由于OCR / ICR的效率問題，往往處理速度較慢，無(wú)法應(yīng)對(duì)高時(shí)效的要求。


【發(fā)明內(nèi)容】

[0004] 本發(fā)明所要解決的技術(shù)問題是針對(duì)上述現(xiàn)有技術(shù)的不足，提供一種識(shí)別速度快、 識(shí)別準(zhǔn)確率高的基于云計(jì)算的文本掃描識(shí)別方法。
[0005] 為實(shí)現(xiàn)上述技術(shù)目的，本發(fā)明采取的技術(shù)方案為一種基于云計(jì)算的文本掃描識(shí)別 方法，其特征在于包括以下步驟 ： 第一步，文檔圖像預(yù)處理：針對(duì)從掃描儀直接掃描出的原始圖像進(jìn)行預(yù)處理，以將原始 圖像二值化并且去除原始圖像噪點(diǎn)，將扭曲的原始圖像還原，將原始圖像壓縮以便后續(xù)圖 像處理； 第二步，文檔圖像版面特征分析：將預(yù)處理文檔圖像加載到版面分析引擎進(jìn)行處理，以 獲得預(yù)處理文檔圖像版面特征信息； 第三步，文檔圖像掩膜：根據(jù)預(yù)處理文檔圖像的版面特征信息，添加相應(yīng)的掩膜，然后 對(duì)關(guān)鍵域進(jìn)行局部處理，即提取預(yù)處理文檔圖像的版面特征信息并與掩模的特征信息進(jìn)行 匹配； 第四步，碎片化：即文檔圖片定位與分割，具體為采用圖像局部特征定位方法、表格識(shí) 別方法和OCR關(guān)鍵字符識(shí)別定位方法，對(duì)經(jīng)過文檔圖像掩膜步驟處理后的預(yù)處理文檔圖像 進(jìn)行切碎處理； 第五步：碎片的0CR/ICR識(shí)別：識(shí)別小碎片，拼接并輸出文字，以便進(jìn)行語(yǔ)意識(shí)別； 第六步，語(yǔ)意識(shí)別：利用統(tǒng)計(jì)語(yǔ)言模型算法結(jié)合行業(yè)辭典，對(duì)OCR / ICR的結(jié)果進(jìn)行邏 輯校驗(yàn)。
[0006] 作為本發(fā)明進(jìn)一步改進(jìn)的技術(shù)方案，所述文檔圖像預(yù)處理包括以下步驟： 首先，對(duì)原始圖像采用權(quán)平均法進(jìn)行處理后，再采用最大類間方差進(jìn)行二值化處理，將 原始的真彩色以及高DPI的灰度圖轉(zhuǎn)化為二值化的黑白圖； 其次，對(duì)二值化的黑白圖進(jìn)行圖像去噪，以去除了掃描過程中由于電子信號(hào)干擾帶來(lái) 的圖像噪點(diǎn)，形成預(yù)處理文檔圖像； 第三，對(duì)預(yù)處理文檔圖像進(jìn)行糾偏處理，使扭曲的圖像還原。
[0007] 作為本發(fā)明進(jìn)一步改進(jìn)的技術(shù)方案，所述文檔圖像版面特征分析為：通過版面分 析算法搜索整個(gè)預(yù)處理文檔圖像并對(duì)預(yù)處理文檔圖像進(jìn)行區(qū)域劃分和類型識(shí)別，以獲得預(yù) 處理文檔圖像的版面特征信息，所述版面特征信息包括區(qū)域分割線坐標(biāo)信息、預(yù)處理文檔 圖像的類型信息以及預(yù)處理文檔圖像中的文字對(duì)象的坐標(biāo)信息； 作為本發(fā)明進(jìn)一步改進(jìn)的技術(shù)方案，所述預(yù)處理文檔圖像的類型信息包括文字、圖章、 圖片、公式和條碼。
[0008] 作為本發(fā)明進(jìn)一步改進(jìn)的技術(shù)方案，所述文檔圖像掩膜為：分別用各類型的掩模 依次覆蓋和匹配經(jīng)過文檔圖像版面特征分析步驟處理后的預(yù)處理文檔圖像，如果掩模的特 征信息和預(yù)處理文檔圖像的版面特征信息相一致，則所述預(yù)處理文檔圖像與掩模的類型相 一致并且將掩模的類型信息添加到預(yù)處理文檔圖像的版面特征信息中。
[0009] 作為本發(fā)明進(jìn)一步改進(jìn)的技術(shù)方案，在文檔圖像掩步驟中，還包括根據(jù)具體的業(yè) 務(wù)特征制作各種類型的掩模的步驟。
[0010] 作為本發(fā)明進(jìn)一步改進(jìn)的技術(shù)方案，所述文檔圖片定位與分割包括以下步驟： 首先，將預(yù)處理文檔圖像進(jìn)行定位分割，即根據(jù)預(yù)處理文檔圖像的版面特征信息中的 掩膜的特征信息，提取掩膜的具體坐標(biāo)信息； 其次，根據(jù)掩模的具體坐標(biāo)信息，將具體的業(yè)務(wù)數(shù)據(jù)圖像從整個(gè)的預(yù)處理文檔圖像中 截取出來(lái)，形成具有具體業(yè)務(wù)數(shù)據(jù)的碎片圖像。
[0011] 作為本發(fā)明進(jìn)一步改進(jìn)的技術(shù)方案，所述碎片的0CR/ICR識(shí)別為對(duì)具有具體業(yè)務(wù) 數(shù)據(jù)的碎片圖像通過多路OCR引擎進(jìn)行識(shí)別處理，以識(shí)別小碎片，拼接并輸出文字。
[0012] 作為本發(fā)明進(jìn)一步改進(jìn)的技術(shù)方案，在所述碎片的0CR/ICR識(shí)別過程中，采用大 數(shù)據(jù)處理方案里的工作分解并發(fā)合成的方法對(duì)輸出文字第四步中輸出的文字進(jìn)行分解并 發(fā)與集成處理。
[0013] 作為本發(fā)明進(jìn)一步改進(jìn)的技術(shù)方案，所述語(yǔ)意識(shí)別包括以下步驟： 首先，根據(jù)不同的行業(yè)特征建立行業(yè)詞語(yǔ)庫(kù)； 其次，對(duì)詞語(yǔ)進(jìn)行組合：針對(duì)不同專業(yè)，生成專業(yè)詞語(yǔ)組合，并根據(jù)不同的行業(yè)，基于所 述行業(yè)詞語(yǔ)庫(kù)，統(tǒng)計(jì)得出詞語(yǔ)組合的概率分值； 第三，對(duì)OCR的結(jié)果句進(jìn)行劃分并自動(dòng)替換不可識(shí)別詞語(yǔ)，生成多種組合句； 第四，計(jì)算生成的多種組合句的各自的總概率分值，并將總概率分值最高的組合句保 留。
[0014] 本發(fā)明利用圖像特征識(shí)別，圖像掩膜，圖像碎片化，碎片的并發(fā)處理OCR / ICR，語(yǔ) 意校驗(yàn)等特種方法綜合使用，顯著提高了文本掃描件的最終準(zhǔn)確率。

【專利附圖】

【附圖說明】
[0015] 圖1為本發(fā)明的流程結(jié)構(gòu)示意圖。
[0016] 下面結(jié)合附圖對(duì)本發(fā)明的【具體實(shí)施方式】做進(jìn)一步說明。

【具體實(shí)施方式】
[0017] 參見圖1，本基于云計(jì)算的文本掃描識(shí)別方法，包括以下步驟： 第一步，文檔圖像預(yù)處理：針對(duì)從掃描儀直接掃描出的原始圖像進(jìn)行預(yù)處理，以將原始 圖像二值化并且去除原始圖像噪點(diǎn)，將扭曲的原始圖像還原，將原始圖像壓縮以便后續(xù)圖 像處理； 第二步，文檔圖像版面特征分析：將預(yù)處理文檔圖像加載到版面分析引擎進(jìn)行處理，以 獲得預(yù)處理文檔圖像版面特征信息； 第三步，文檔圖像掩膜：根據(jù)預(yù)處理文檔圖像的版面特征信息，添加相應(yīng)的掩膜，然后 對(duì)關(guān)鍵域進(jìn)行局部處理，即提取預(yù)處理文檔圖像的版面特征信息并與掩模的特征信息進(jìn)行 匹配； 第四步，碎片化：即文檔圖片定位與分割，具體為采用圖像局部特征定位方法、表格識(shí) 別方法和OCR關(guān)鍵字符識(shí)別定位方法，對(duì)經(jīng)過文檔圖像掩膜步驟處理后的預(yù)處理文檔圖像 進(jìn)行切碎處理； 第五步：碎片的0CR/ICR識(shí)別：識(shí)別小碎片，拼接并輸出文字，以便進(jìn)行語(yǔ)意識(shí)別； 第六步，語(yǔ)意識(shí)別：利用統(tǒng)計(jì)語(yǔ)言模型算法結(jié)合行業(yè)辭典，對(duì)OCR / ICR的結(jié)果進(jìn)行邏 輯校驗(yàn)。
[0018] 作為優(yōu)選方案，所述文檔圖像預(yù)處理包括以下步驟： 首先，對(duì)原始圖像采用權(quán)平均法進(jìn)行處理后，再采用最大類間方差進(jìn)行二值化處理，將 原始的真彩色以及高DPI的灰度圖轉(zhuǎn)化為二值化的黑白圖； 其次，對(duì)二值化的黑白圖進(jìn)行圖像去噪，以去除了掃描過程中由于電子信號(hào)干擾帶來(lái) 的圖像噪點(diǎn)，形成預(yù)處理文檔圖像； 第三，對(duì)預(yù)處理文檔圖像進(jìn)行糾偏處理，使扭曲的圖像還原。
[0019] 作為優(yōu)選方案，所述文檔圖像版面特征分析為：通過版面分析算法搜索整個(gè)預(yù)處 理文檔圖像并對(duì)預(yù)處理文檔圖像進(jìn)行區(qū)域劃分和類型識(shí)別，以獲得預(yù)處理文檔圖像的版面 特征信息，所述版面特征信息包括區(qū)域分割線坐標(biāo)信息、預(yù)處理文檔圖像的類型信息以及 預(yù)處理文檔圖像中的文字對(duì)象的坐標(biāo)信息。所述預(yù)處理文檔圖像的類型信息包括文字、圖 章、圖片、公式和條碼。
[0020] 所述文檔圖像掩膜為：分別用各類型的掩模依次覆蓋和匹配經(jīng)過文檔圖像版面特 征分析步驟處理后的預(yù)處理文檔圖像，如果掩模的特征信息和預(yù)處理文檔圖像的版面特征 信息相一致，則所述預(yù)處理文檔圖像與掩模的類型相一致并且將掩模的類型信息添加到預(yù) 處理文檔圖像的版面特征信息中。在文檔圖像掩步驟中，還包括根據(jù)具體的業(yè)務(wù)特征制作 各種類型的掩模的步驟。
[0021] 所述文檔圖片定位與分割包括以下步驟： 首先，將預(yù)處理文檔圖像進(jìn)行定位分割，即根據(jù)預(yù)處理文檔圖像的版面特征信息中的 掩膜的特征信息，提取掩膜的具體坐標(biāo)信息； 其次，根據(jù)掩模的具體坐標(biāo)信息，將具體的業(yè)務(wù)數(shù)據(jù)圖像從整個(gè)的預(yù)處理文檔圖像中 截取出來(lái)，形成具有具體業(yè)務(wù)數(shù)據(jù)的碎片圖像。
[0022] 所述碎片的0CR/ICR識(shí)別為對(duì)具有具體業(yè)務(wù)數(shù)據(jù)的碎片圖像通過多路OCR引擎進(jìn) 行識(shí)別處理，以識(shí)別小碎片，拼接并輸出文字。在所述碎片的0CR/ICR識(shí)別過程中，采用大 數(shù)據(jù)處理方案里的工作分解并發(fā)合成的方法對(duì)輸出文字第四步中輸出的文字進(jìn)行分解并 發(fā)與集成處理。
[0023] 所述語(yǔ)意識(shí)別包括以下步驟： 首先，根據(jù)不同的行業(yè)特征建立行業(yè)詞語(yǔ)庫(kù)； 其次，對(duì)詞語(yǔ)進(jìn)行組合：針對(duì)不同專業(yè)，生成專業(yè)詞語(yǔ)組合，并根據(jù)不同的行業(yè)，基于所 述行業(yè)詞語(yǔ)庫(kù)，統(tǒng)計(jì)得出詞語(yǔ)組合的概率分值； 第三，對(duì)OCR的結(jié)果句進(jìn)行劃分并自動(dòng)替換不可識(shí)別詞語(yǔ)，生成多種組合句； 第四，計(jì)算生成的多種組合句的各自的總概率分值，并將總概率分值最高的組合句保 留。
[0024] 關(guān)于文檔圖像預(yù)處理：圖像灰度化首先采用權(quán)平均法進(jìn)行第一步處理，灰度化后 采用最大類間方差進(jìn)行二值化處理。平滑去噪，糾偏。二值化的好處是顯而易見的：影像文 件大小顯著降低，后期處理速度加快。步驟是針對(duì)從掃描儀直接掃描出的原始圖像進(jìn)行預(yù) 處理。本處理分為三步驟：第一步對(duì)原始圖像進(jìn)行二值化處理將原始的真彩色/高DPI的 灰度圖轉(zhuǎn)化為二值化的黑白圖，該步驟大大減小了圖像文件的大小提高了后期處理中文件 的加載和識(shí)別速率。第二步圖像去噪，該步驟去除了掃描過程中由于電子信號(hào)干擾帶來(lái)的 圖像噪點(diǎn)，進(jìn)一步提高圖像識(shí)別準(zhǔn)確率。第三步二值化圖像的糾偏，該步驟解決了扭曲圖像 的原始還原大大提高了識(shí)別的準(zhǔn)確率。
[0025] 關(guān)于：文檔圖像版面特征分析：采用經(jīng)典的游程版面分析法--run-length algorithm--自底向上的分析算法，同時(shí)兼顧分析處理的時(shí)間消耗及準(zhǔn)確性而引入了二 分法，還采用基于背景空白的版面分割法、基于圖像紋理特征的版面分割法、基于形態(tài)學(xué)處 理的版面分割法。本步驟將經(jīng)過文檔圖像預(yù)處理后的圖像加載到版面分析引擎進(jìn)行處理， 即通過版面分析算法搜索整個(gè)圖像，對(duì)圖像進(jìn)行區(qū)域劃分、類型識(shí)別等，本步驟處理完成后 會(huì)計(jì)算出如下信息：圖像區(qū)域分割線坐標(biāo)，文字、圖章、圖片、公式、條碼等對(duì)象類型，文字對(duì) 象的坐標(biāo)信息。
[0026] 關(guān)于文檔圖像掩膜：本步驟基于預(yù)處理文檔圖像的版面特征，添加特別設(shè)計(jì)的掩 膜，對(duì)關(guān)鍵域進(jìn)行局部處理，其中掩膜可以基于特征自適應(yīng)。具體而言，將通過文檔圖像版 面特征分析后的預(yù)處理文檔圖像，提取其局部特征信息與掩模特征匹配如果掩模和局部特 征一致，將該圖像劃分為該掩模類型。本步驟處理完成后，預(yù)處理文檔圖像帶有了掩模類型 信息，并可根據(jù)預(yù)處理文檔圖像的掩模類型對(duì)圖像進(jìn)行分類，為下一步圖像的分割做準(zhǔn)備。
[0027] 關(guān)于碎片化及碎片的0CR/ICR識(shí)別：本步驟采用圖像局部特征定位、表格識(shí)別和 OCR關(guān)鍵字符識(shí)別定位等方法對(duì)文檔圖像進(jìn)行切碎處理，本步驟完成后會(huì)產(chǎn)生一系列具有 具體業(yè)務(wù)數(shù)據(jù)的碎片圖像，產(chǎn)生的碎片圖大大提高了識(shí)別的準(zhǔn)確率，再通過多路OCR引擎 的處理大大提高了識(shí)別的速率。本步驟運(yùn)用了國(guó)際著名的大數(shù)據(jù)處理方案Hadoop里的工 作分解并發(fā)合成的方法，即Map - Reduce，創(chuàng)新的應(yīng)用到了圖像識(shí)別里。這樣就很好的解決 了高性能派發(fā)，大范圍分包的任務(wù)分解并發(fā)與集成的問題。
[0028] 關(guān)于語(yǔ)意識(shí)別：本步驟利用統(tǒng)計(jì)語(yǔ)言模型算法結(jié)合行業(yè)辭典，對(duì)OCR / ICR的結(jié)果進(jìn) 行邏輯校驗(yàn)：首先基于建立一個(gè)詞語(yǔ)庫(kù)；第二步，對(duì)詞語(yǔ)進(jìn)行組合，針對(duì)不同專業(yè)，生成專業(yè)詞 語(yǔ)組合，并根據(jù)行業(yè)，統(tǒng)計(jì)得出概率分值;第三步，對(duì)OCR的結(jié)果句進(jìn)行劃分并自動(dòng)替換不可識(shí) 別詞語(yǔ)，生成多種組合句;第四步，生成多種組合比對(duì)總概率分值，保留最高者。比如："清華大 X"，X是不可識(shí)別文字。經(jīng)過比對(duì)，"清華大學(xué)"的概率遠(yuǎn)遠(yuǎn)高于"清華大人"或者"清華大班" 等，保留"清華大學(xué)"作為識(shí)別結(jié)果。所述行業(yè)詞語(yǔ)庫(kù)是根據(jù)不同的行業(yè)特征建立，如電信行業(yè) 詞庫(kù)，醫(yī)藥行業(yè)詞庫(kù)。這樣，處理的目標(biāo)比較有方向性，容易找到正確的結(jié)果。同時(shí)，這個(gè)庫(kù)不 是靜態(tài)的，它是可以基于影像處理結(jié)果，自動(dòng)添加新詞，也可以通過網(wǎng)絡(luò)爬蟲學(xué)習(xí)新詞。
[0029] 本實(shí)施例中，包括文檔圖像預(yù)處理、文檔圖像版面特征分析、文檔圖像掩膜、碎片 化、碎片的0CR/ICR識(shí)別和語(yǔ)意識(shí)別六個(gè)步驟，各步驟的工作要點(diǎn)及目標(biāo)如表1所示。本實(shí)施 例整體的有效識(shí)別率高可達(dá)99. 8%，而且處理速度加快，在相同條件下，效率提高45%。
[0030] 表1 :各步驟的工作要點(diǎn)及目標(biāo)對(duì)應(yīng)表

【權(quán)利要求】
1. 一種基于云計(jì)算的文本掃描識(shí)別方法，其特征在于包括以下步驟： 第一步，文檔圖像預(yù)處理：針對(duì)從掃描儀直接掃描出的原始圖像進(jìn)行預(yù)處理，以將原始 圖像二值化并且去除原始圖像噪點(diǎn)，將扭曲的原始圖像還原，將原始圖像壓縮以便后續(xù)圖 像處理； 第二步，文檔圖像版面特征分析：將預(yù)處理文檔圖像加載到版面分析引擎進(jìn)行處理，以 獲得預(yù)處理文檔圖像版面特征信息； 第三步，文檔圖像掩膜：根據(jù)預(yù)處理文檔圖像的版面特征信息，添加相應(yīng)的掩膜，然后 對(duì)關(guān)鍵域進(jìn)行局部處理，即提取預(yù)處理文檔圖像的版面特征信息并與掩模的特征信息進(jìn)行 匹配； 第四步，碎片化：即文檔圖片定位與分割，具體為采用圖像局部特征定位方法、表格識(shí) 別方法和OCR關(guān)鍵字符識(shí)別定位方法，對(duì)經(jīng)過文檔圖像掩膜步驟處理后的預(yù)處理文檔圖像 進(jìn)行切碎處理； 第五步：碎片的0CR/ICR識(shí)別：識(shí)別小碎片，拼接并輸出文字，以便進(jìn)行語(yǔ)意識(shí)別； 第六步，語(yǔ)意識(shí)別：利用統(tǒng)計(jì)語(yǔ)言模型算法結(jié)合行業(yè)辭典，對(duì)OCR / ICR的結(jié)果進(jìn)行邏 輯校驗(yàn)。
2. 根據(jù)權(quán)利要求1所述的基于云計(jì)算的文本掃描識(shí)別方法，其特征在于所述文檔圖像 預(yù)處理包括以下步驟： 首先，對(duì)原始圖像采用權(quán)平均法進(jìn)行處理后，再采用最大類間方差進(jìn)行二值化處理，將 原始的真彩色以及高DPI的灰度圖轉(zhuǎn)化為二值化的黑白圖； 其次，對(duì)二值化的黑白圖進(jìn)行圖像去噪，以去除了掃描過程中由于電子信號(hào)干擾帶來(lái) 的圖像噪點(diǎn)，形成預(yù)處理文檔圖像； 第三，對(duì)預(yù)處理文檔圖像進(jìn)行糾偏處理，使扭曲的圖像還原。
3. 根據(jù)權(quán)利要求2所述的基于云計(jì)算的文本掃描識(shí)別方法，其特征在于所述文檔圖像 版面特征分析為：通過版面分析算法搜索整個(gè)預(yù)處理文檔圖像并對(duì)預(yù)處理文檔圖像進(jìn)行區(qū) 域劃分和類型識(shí)別，以獲得預(yù)處理文檔圖像的版面特征信息，所述版面特征信息包括區(qū)域 分割線坐標(biāo)信息、預(yù)處理文檔圖像的類型信息以及預(yù)處理文檔圖像中的文字對(duì)象的坐標(biāo)信 息。
4. 根據(jù)權(quán)利要求3所述的基于云計(jì)算的文本掃描識(shí)別方法，其特征在于：所述預(yù)處理 文檔圖像的類型信息包括文字、圖章、圖片、公式和條碼。
5. 根據(jù)權(quán)利要求4所述的基于云計(jì)算的文本掃描識(shí)別方法，其特征在于所述文檔圖像 掩膜為：分別用各類型的掩模依次覆蓋和匹配經(jīng)過文檔圖像版面特征分析步驟處理后的預(yù) 處理文檔圖像，如果掩模的特征信息和預(yù)處理文檔圖像的版面特征信息相一致，則所述預(yù) 處理文檔圖像與掩模的類型相一致并且將掩模的類型信息添加到預(yù)處理文檔圖像的版面 特征信息中。
6. 根據(jù)權(quán)利要求5所述的基于云計(jì)算的文本掃描識(shí)別方法，其特征在于：在文檔圖像 掩步驟中，還包括根據(jù)具體的業(yè)務(wù)特征制作各種類型的掩模的步驟。
7. 根據(jù)權(quán)利要求6所述的基于云計(jì)算的文本掃描識(shí)別方法，其特征在于所述文檔圖片 定位與分割包括以下步驟： 首先，將預(yù)處理文檔圖像進(jìn)行定位分割，即根據(jù)預(yù)處理文檔圖像的版面特征信息中的 掩膜的特征信息，提取掩膜的具體坐標(biāo)信息； 其次，根據(jù)掩模的具體坐標(biāo)信息，將具體的業(yè)務(wù)數(shù)據(jù)圖像從整個(gè)的預(yù)處理文檔圖像中 截取出來(lái)，形成具有具體業(yè)務(wù)數(shù)據(jù)的碎片圖像。
8. 根據(jù)權(quán)利要求7所述的基于云計(jì)算的文本掃描識(shí)別方法，其特征在于：所述碎片的 OCR/ICR識(shí)別為對(duì)具有具體業(yè)務(wù)數(shù)據(jù)的碎片圖像通過多路OCR引擎進(jìn)行識(shí)別處理，以識(shí)別 小碎片，拼接并輸出文字。
9. 根據(jù)權(quán)利要求8所述的基于云計(jì)算的文本掃描識(shí)別方法，其特征在于：在所述碎片 的0CR/ICR識(shí)別過程中，采用大數(shù)據(jù)處理方案里的工作分解并發(fā)合成的方法對(duì)輸出文字第 四步中輸出的文字進(jìn)行分解并發(fā)與集成處理。
10. 根據(jù)權(quán)利要求7所述的基于云計(jì)算的文本掃描識(shí)別方法，其特征在于所述語(yǔ)意識(shí) 別包括以下步驟： 首先，根據(jù)不同的行業(yè)特征建立行業(yè)詞語(yǔ)庫(kù)； 其次，對(duì)詞語(yǔ)進(jìn)行組合：針對(duì)不同專業(yè)，生成專業(yè)詞語(yǔ)組合，并根據(jù)不同的行業(yè)，基于所 述行業(yè)詞語(yǔ)庫(kù)，統(tǒng)計(jì)得出詞語(yǔ)組合的概率分值； 第三，對(duì)OCR的結(jié)果句進(jìn)行劃分并自動(dòng)替換不可識(shí)別詞語(yǔ)，生成多種組合句； 第四，計(jì)算生成的多種組合句的各自的總概率分值，并將總概率分值最高的組合句保 留。
【文檔編號(hào)】G06K9/20GK104123550SQ201310145112
【公開日】2014年10月29日 申請(qǐng)日期:2013年4月25日 優(yōu)先權(quán)日:2013年4月25日
【發(fā)明者】魏昊, 張磊 申請(qǐng)人:魏昊, 張磊