[发明专利]一种处理扫描书数据的方法及装置

说明书

技术领域

本发明涉及数字排版领域，尤其涉及一种处理扫描书数据的方法及装置。

背景技术

所谓的“扫描书”是指利用扫描仪等设备对纸质书籍进行扫描而得到的电子书。扫描书中的每一页对应一张DPI(Dot Per Inch，分辨率)较高的扫描图，由于扫描图数据量较大，因此不利于数据的存储和传输；并且，每一页上的数据都很难得到有效的利用，例如文字拷贝、版面重排等应用。

为实现文字拷贝，目前提出了一种双层页面的技术，即在扫描图上附加一层透明层，利用OCR(Optical Character Recognition，光学字符识别)在该透明层的相应位置上添加透明文字，以使得用户在使用扫描书时可以在不影响扫描书原始页面结构的同时能够将透明层上的透明文字拷贝下来。该种方式虽然能够实现扫描书的文字的拷贝，但是由于OCR本身的技术特点，透明层上的文字难以用于诸如版面重排等高级应用。因此，目前的扫描书仍然存在数据量较大、不能进行版面重排的问题。

发明内容

针对现有技术中不能实现对扫描书进行版面重排的问题，本发明实施例提供一种处理扫描书数据的方法及装置，为实现对扫描书的版面重排提供条件，从而实现对扫描书的版面重排。

一种处理扫描书数据的方法，针对扫描书中的每页文档，包括：

读取所述页面文档的页面图像数据；

对所述页面图像数据进行分割、识别，得到所述页面文档中的每个文字在相应页面文档上的矩形框位置和字符编码；

对所述页面文档中的每行文字进行文字行聚合处理，得到所述每行文字的文字行信息，并根据所述文字行信息对所述每行文字中的每个文字对应的矩形框进行修正，得到每个文字的确切图像矩形框位置信息和文字行聚合信息；

存储所述页面文档中每个文字对应的确切图像矩形框位置信息、文字行聚合信息和字符编码。

较佳地，上述方法中，根据相应的文字行信息对所述每行文字中的每个文字的矩形框进行修正，具体包括：

根据所述文字行信息确定出所述每行文字对应的行高；

将所述每行文字中的所有文字的矩形框的高度调整为与所述每行文字对应的行高相同。

较佳地，确定出所述每行文字对应的行高之后，还包括：

根据所述每行文字的前一行文字和后一行文字的行高，对所述每行文字的行高进行修正。

较佳地，根据相应的文字行信息对所述每行文字中的每个文字的矩形框进行修正之后，还包括：

针对所述页面文档，根据所述页面文档中的文字的像素数据，对所述页面文档中的所有文字进行分类，将视觉相同的文字归为一类，从而得到多类文字图像；

为每类文字图像分配相应的编号，并存储该类文字图像中每个文字图像的确切图像矩形框位置信息、字符编码及对应的编号；

将所述页面文档中的每类文字图像删除，并对删除后的页面文档进行压缩得到压缩文档，并存储所述压缩文档。

较佳地，根据相应的文字行信息对所述扫描书中所有文字对应的矩形框进行修正之后，还包括：

针对每本扫描书，根据所述每本扫描书的所有文字的像素数据，对所述每本扫描书中的所有文字进行分类，将视觉相同的文字归为一类，从而得到多类文字图像；

为每类文字图像分配相应的编号，并存储该类文字图像中每个文字图像的确切图像矩形框位置信息、字符编码及对应的编号；

针对所述每本扫描书中的每个页面文档，将该页面文档中的文字图像删除，并对删除后的页面文档进行压缩得到压缩文档，并存储所述压缩文档。

较佳地，对所述页面图像数据进行分割、识别，具体包括：采用光学字符识别OCR技术对所述页面图像数据进行分割和识别操作。

一种处理扫描书数据的装置，包括：

页面图像数据读取单元，用于读取扫描书中的每个页面文档的页面图像数据；

文字信息获取单元，用于对所述页面图像数据读取单元读取得到的所述页面文档的页面图像数据进行分割、识别，得到所述页面文档中的每个文字在相应页面文档上的矩形框位置和字符编码；

文字修正单元，用于对所述页面文档中的每行文字进行文字行聚合处理，得到所述每行文字的文字行信息，并根据所述文字行信息对所述每行文字中的每个文字对应的矩形框进行修正，得到每个文字的确切图像矩形框位置信息和文字行聚合信息；

信息存储单元，用于存储所述页面文档中每个文字对应的确切图像矩形框位置信息、文字行聚合信息和字符编码。