[发明专利]一种基于标准文献的智能模板化题录技术实现方法

说明书

本发明公开了一种基于标准文献的智能模板化题录技术实现方法，属于文档图像内容提取技术领域，通过对双层浮文PDF文字读取技术进行封装，把标准文献图像转换成纯文本TXT，对标准题录加工流程进行了自动化和电子化处理，实现对标准题录的自动采集，增强数据加工的工作效能，减少员工工作量和提高数据准确性，完成题录特征值提取关键技术的实现。本发明的基于标准文献的智能模板化题录技术实现方法解决了现有技术中存在的标准题录需手工录入、数据加工工作效能低、数据信息提取不准确、定位准确率低的问题。

技术领域

本发明涉及一种智能模板化题录技术实现方法，特别是涉及一种基于标准文献的智能模板化题录技术实现方法，属于文档图像内容提取技术领域。

背景技术

基于标准文献智能模板化题录技术实现及其方法和普通的文档图像内容提取方法有类似的地方，现有文档图像内容提取方法多是通过图像扫描，通过横向和纵向的投影，根据RGB色差计算出文字的高度和间距，根据文字盒图像的差异性将文字和图像识别出来。

在《基于文档图像内容分析与特征提取的文档图像压缩方法》中提供了一种图像的文本定位和内容提取方法，该方法将文档图像视为一个矩阵，矩阵的大小由文档图像的高和宽确定，矩阵中的元素对应着文档图像中的象素，每个元素的值对应着象素的灰度值或RGB值，将文档图像向其边界投影，使得矩阵某一行/列的象素灰度值累加，得到关于行/列的灰度投影曲线，标准文献文本图像涉及到多个国家，多种语言，所需要提取的内容也是各式各样，不确定因素较多，无法满足标准文献智能模板化题录技术实现的实际需求。

发明内容

本发明的主要目的是为了提供一种基于标准文献的智能模板化题录技术实现方法，解决现有技术中存在的标准题录需手工录入、数据加工工作效能低、数据信息提取不准确、定位准确率低的问题。

本发明的目的可以通过采用如下技术方案达到：

一种基于标准文献的智能模板化题录技术实现方法，包括如下步骤：

步骤1：建立图像处理模块、模版配置模块、标准信息采集模块；

步骤2：图像处理模块对标准文献图像进行清晰化处理，并通过Tif拆分算法对Tif文件进行拆分，再经过组装技术生成单层PDF，生成双层浮文PDF版本的标准文献，再通过双层PDF识别技术生成带有分页标识的纯文本TXT文件；

步骤3：模版配置模块根据标准文献的纸型、排版样式和标准类型对标准文献进行区分，在每种类型中选出代表性的标准文献作为模板，根据模板的版面和编写格式来确定需要配置的字段信息，根据每个字段的特殊性，决定使用坐标配置和范围配置这两种方式中的一种；

步骤4：标准信息采集模块根据标准文献的纸型、编写规范和标准类型来选择对应的模板，对标准文献所需信息进行提取和自动定位。

进一步的，所述图像处理模块、所述模版配置模块和所述图像处理模块均采用服务器完成，所述图像处理模块、所述模版配置模块和所述图像处理模块均采用互联网通信；

图像处理模块用于对文献图像进行清晰化处理，生成标准文献单双层浮文PDF文件、每页文本图像和带有分页标识的纯文本；

模版配置模块根据对标准文本不同版面的分析，对标准文献所需采集的信息的分析，通过配置生成不同模板；

标准信息采集模块根据对标准文献图像的版面分析，选择合适的模块对标准信息自动采集。

进一步的，所述步骤2中，图像处理模块对标准文献图像进行清晰化处理，并通过Tif拆分算法对Tif文件进行拆分，生成每一页标准文献的图像，并对每一页图像进行去污处理，再经过组装技术生成单层PDF，再经过封装后的OCR识别，生成双层浮文PDF版本的标准文献，即标准文献双层浮文PDF文件，再通过双层PDF识别技术生成带有分页标识的纯文本TXT文件。