[发明专利]一种高招大本数据采集系统及方法

权利要求书

1.一种高招大本数据采集方法，其特征在于，包括如下步骤：

步骤1，通过扫描仪，将纸质书籍扫描成电子文档；

步骤2，对电子文档进行图像预处理；

步骤3，采用字符处理方法对所述图像预处理后的结果进行字符识别，以识别所述结果中的各类字符；

步骤4，对所述字符识别后的结果进行修正，生成非规则化的数据文档，然后对所述非规则化的数据文档进行数据提取处理操作。

2.根据权利要求1所述的一种高招大本数据采集方法，其特征在于，所述步骤2中对

电子文档进行图像预处理具体包括：

步骤1.1，图像二值化处理，采用阈值分割技术，设定灰度阈值，若图像像素点灰度值大于或等于所述阈值，则被判定为属于某一特定区域，用 255 表示其灰度值，否则，像素点将被排除在特定区域之外而被判定为背景或其他无用区域，用0表示其灰度值；

步骤1.2，图像增强处理，通过基于空间域的增强和基于频率域的增强处理方法，以减少所获取图像的小的空间改变；

步骤1.3，噪声处理，使用滤波器对所述图像增强处理后的结果进行滤波，去除噪声。

3.根据权利要求1所述的一种高招大本数据采集方法，其特征在于，所述步骤3中的字符识别具体包括：

步骤3.1，汉字字符识别：采用水平方向上、竖直方向上、45度角方向、反45度角方向4个特定方向上的矢量准确地描述出一个汉字的基本字形特征；

步骤3.2，英文字符识别：采用基于字符结构的方法对字符进行识别，根据字符在水平方向、竖直方向及笔画的特点，对字符进行逐级的分类，形成一棵判定树，每个字符就是一个叶子，依据字符自身的结构特征进行逼近识别；

步骤3.3，阿拉伯数字识别：先计算欧拉数，再提取凹陷区的特征，最后根据特征组合识别字符。

4.根据权利要求1所述的一种高招大本数据采集方法，其特征在于，所述步骤4中的

对识别后的结果进行修正具体包括：

利用上下文信息、语法及逻辑，对所述字符识别的结果进行修正，生成非规则化的数据文档。

5.根据权利要求1所述的一种高招大本数据采集方法，其特征在于，所述步骤4中对所述非规则化的数据文档进行数据提取处理操作具体包括：

步骤4.1，把非规则化的数据文档按照文件名的规则顺序处理，把表格的行转换为普通文本格式的行；

步骤4.2，查看转换出来的文本格式，确定分割条件，分割的条件包括：文理科段落的区分、各个院校段落的区分、院校下各个专业段落的区分条件；

步骤4.3，分别提取所述步骤4.2中的各个所述的段落，合并断行和上下文回溯；

步骤4.4，通过所述步骤4.3得到一个相对规格化的段落的数据文本后，再针对步骤4.2中的各类具体情况提取需要的信息；

步骤4.5，对步骤4.4得到的信息结果做合并，把某些可能混合在其它段落中的信息作缺省的上下文推断填充，至此完成数据提取处理操作。

6.一种高招大本数据采集系统，其特征在于，该系统包括书籍扫描模块、图像预处理

模块、字符识别模块、修正模块，

书籍扫描模块，用于通过扫描仪，将纸质书籍扫描成电子文档；

图像预处理模块，用于对电子文档进行图像预处理；

字符识别模块，采用字符处理方法对所述图像预处理后的结果进行字符识别，以识别所述结果中的各类字符；

修正模块，用于所述对字符识别后的结果进行修正，生成非规则化的数据文档，然后所述对非规则化的数据文档进行数据提取处理操作。

7.根据权利要求6所述的一种高招大本数据采集系统，其特征在于，所述图像预处理模块具体包括：二值化模块、图像增强模块、噪声处理模块，

二值化模块，采用阈值分割技术，设定灰度阈值，若图像像素点灰度值大于或等于所述阈值，则被判定为属于某一特定区域，用 255 表示其灰度值，否则，像素点将被排除在特定区域之外而被判定为背景或其他无用区域，用0表示其灰度值；

图像增强模块，通过基于空间域的增强和基于频率域的增强处理方法，以减少所获取图像的小的空间改变；

噪声处理模块，使用滤波器对图像进行滤波，去除噪声。