[发明专利]一种基于多区域特征的电子公文分类方法

说明书

技术领域

本发明涉及一种基于多区域特征的电子公文分类方法，尤其针对政府公文图片的类型识别。

背景技术

政府公文即行政公文，是公务文书的简称，是人类在治理社会、管理国家的公务实践中使用的具有法定权威和规范格式的应用文。作为表述国家意志、执行法律法规、规范行政执法、传递重要信息的最主要的载体，从某种程度上来说，公文是国家法律法规的延续和补充。其类型一般包括：决议、决定、命令(令)、公报、公告、通告、意见、通知、通报、报告、请示、批复、议案、函、纪要等。

随着电子政府的不断发展，政府办公网络化、信息化、电子化的日益盛行。为了提高政府办公效率，实现政府电子公文的自动分类或识别成为亟待解决的问题。

目前，国内外对电子公文的分类主要局限于电子文档的类型分类，尚未有基于图像内容特征的电子公文的分类或识别系统或方法。

由于政府公文是正式的文书，有比较固定的格式和版面要求。例如：行政公文的格式要素可划分为眉首、主体、版记三部分。红色反线以上的各个要素统称眉首；红色反线(不含)以下至主题词(不含)之间的各要素统称为主体；主题词以下的各要素统称为版记。其中，版头由发文机关全称或者规范化简称加上“文件”二字或者加上带括号注明的文种名称组成，用套红大字居中印在公文首页上部。联合行文，可用主办机关名称，也可并用联署机关名称。发文字号由机关代字、年份和发文序号组成等。因此，公文的这些要素可作为公文类型识别的关键点。

发明内容

本发明克服了现有技术中的缺点，提供了一种基于多区域特征的电子公文分类方法，该方法可以实现对已有版式模版的电子公文的类型进行识别的能力。

为了解决上述技术问题，本发明是通过以下技术方案实现的：

一种基于多区域特征的电子公文分类方法，包括以下步骤：

1)图像预处理

(1)图像灰度化：由于获取的电子公文图像一般为彩色图像，为使处理简化，必须将彩色信息变换到灰度空间中；

(2)图像自适应滤波：通过自适应中值滤波实现对拍摄的电子公文的噪声滤除；

(3)图像灰度拉伸：在实际图像中，经常会出现比较大的光照不同，因此图像灰度不一致，这将导致后续处理出现较大的误差。通过对图像进行灰度拉伸，可以实现各种灰度像素分布的调整，有利于改善图像光照条件不足导致的图像灰度的偏差；

(4)图像最优阈值计算：在实际图像二值化时，对不同光照的图像进行二值化后其结果图像差距常比较大。本发明通过迭代算法实现图像的自适应阈值计算，减少图像二值化结果受光照条件的影响，保证公文二值化后的一致性，从而保证公文识别的准确度；

(5)图像二值化：将图像转化为只有黑、白两种颜色的图像；

(6)图像倾斜矫正：通过hough变换检测角度在0～5°范围内的直线，实现图像倾斜矫正。

2)区域特征提取

(1)图像分块像素分布统计特征；

(2)平滑图像直方图特征；

(3)图像纹理特征；

3)标准文档多区域特征提取及入库

(1)标准文档图像预处理；

(2)标准文档图像关键区域选择；

(3)标准文档图像各区域特征提取，获得各区域特征向量；

(4)生成文档类型特征矩阵；

4)文档类型识别

(1)从数据库读取文档类型特征矩阵和对应的特征区域；

(2)获取被检文档图像对应特征区域图像；

(3)计算被检文档图像各特征区域特征向量；

(4)计算被检文档的特征矩阵；

(5)两个特征的相关系数矩阵，计算文档类型相似度，并以此值作为判定图像是否一致的依据。

进一步，所述图像二值化为：先通过对图像进行灰度拉伸和灰度平滑矫正，然后采用最优阈值方法进行图像二值化。

进一步，所述图像分块像素分布统计特征为：首先，对各区域图像进一步分块；然后，分别统计每个分块中像素个数，计算其在区域图像中的占比。最后，生成分布统计直方图。

进一步，所述图像平滑图像直方图特征为：首先，区域图像进行高斯平滑；然后，分别计算区域图像灰度分布直方图。

进一步，所述图像纹理特征为：首先，区域图像进行高斯平滑；然后，分别计算区域图像的surf特征点和特征向量。

进一步，所述标准文档多区域特征为：将文档图像的各个关键区域设为文档分类的特征提取区域，通过对各区域图像提取区域图像的统计特征。