[发明专利]一种印刷体与手写体混合文本行提取系统

说明书

本发明公开了一种印刷体与手写体混合文本行提取系统，包括文本块区域预处理以及文本行提取；本发明先通过文本块区域预处理过程，对包含有印刷体或手写体或混合文本的文档图像进行扭斜校正，通过版面分析获取文本块区域；然后对文本块区域进行连通域聚类并分配所属文本行标签，并对粘连字符像素进行聚类分割并重新分配所属文本行标签；最后通过文本行标签实现文档图像文本行的提取。本发明克服了现有技术中的手写文本或印刷体与手写体混合文本中的文本行因倾斜粘连而造成的提取笔画信息丢失或冗余笔画信息引入的缺陷，提高了文本行提取过程中的像素可控性，从而达到快速高效地提取文本行的目的。

技术领域

本发明涉及文本行提取技术领域，更具体地说，涉及一种印刷体与手写体混合文本行提取系统。

背景技术

文档数字化加工是图像处理与模式识别研究的重要领域，其任务是将纸质文档通过拍照或扫描的方式转化成数字图像，并进一步对数字文档图像版面分析、版面理解、版面重构，使之成为完全可编辑、可检索的数字文档，在拍照文档、笔记、档案、票据、手稿文书等的数字化方面具有重要的应用前景。

将文本块区域分割为独立的文本行是文档图像数字化的一个重要基础步骤，在很大程度上影响着后续的字符识别、文字定位、关键词检索等任务。相对于印刷体文本行分割与提取技术已经相对成熟，手写文本图像由于其自由随意的书写风格、参差不齐的笔画结构，文本行都会呈现出不同程度的倾斜、弯曲、交叉、粘连等问题，以至于手写文本图像的文本行分割提取依然没有理想的解决方案。

目前对于手写文本图像的文本行分割或提取方法可以分为自顶向下 (Top-down)、自底向上(Bottom-up)、混合型方法(Hybrid)三类。Top-down的分析方法其局限性主要在于文本块的行结构必须要规范、整齐而且还要保证一定的行间距，因此该方法仅适用于印刷体文本行的提取，在无约束的书写条件下倾斜、弯曲、交叉、粘连的文本行提取根本无法胜任。Bottom-up的分析方法对文本行结构的规范性要求不高，一般能够较好的处理倾斜、弯曲、交叉、粘连的文本行，此类方法的效果也受限于聚类所采用的各种启发式规则。Hybrid的分析方法为Top-down与Bottom-up方法的结合，这些方法很明显的缺点就是算法较为复杂，并且最终效果也受限于算法融合的策略。另外这些方法对于倾斜、弯曲、交叉、粘连较严重的文本行提取问题，由于相邻文本行的干扰使得文本行的提取容易引入冗余笔画信息或造成笔画信息丢失，而这会严重影响到后续的字符识别及其他步骤。

发明内容

有鉴于此，本发明提供了一种印刷体与手写体混合文本行提取系统，克服了现有技术中的手写文本或印刷体与手写体混合文本中的文本行因倾斜粘连而造成的提取笔画信息丢失或冗余笔画信息引入的缺陷，提高了文本行提取过程中的像素可控性，从而达到快速高效地提取文档图像文本行的目的。

一种印刷体与手写体混合文本行提取系统，包括文本块区域预处理以及文本行提取；其中，所述文本块区域预处理的具体步骤为：步骤S11、获取文档图像；步骤S12、对文档图像进行扭斜校正；步骤S13、对文档图像进行版面分析并屏蔽非文本区域；步骤S14、获取经版面分析后的文本块区域并进行二值化处理；所述文本行提取的具体步骤为：步骤S21、获取经二值化处理后的文本块区域；步骤S22、由全卷神经网络模型对文本块区域进行密度估计，提取文本行主体区域；步骤S23、对文本行主体区域进行回归分析，得到文本行回归模型；步骤S24、由文本行回归模型引导字符连通域聚类；步骤S25、检测文本行间粘连字符块；步骤S26、粘连字符像素聚类；步骤S27、对粘连字符块中的像素进行分割，并重新分配文本行标签。

作为本发明的优选方案，该步骤S11的具体过程为：通过对纸质文档资料进行摄像机拍照或扫描仪扫描的方式获取数字的文档图像。

作为本发明的优选方案，该步骤S12的具体过程为：运用LSD算法，对文档图像版面进行线段检测，提取文档图像中的文本行基准线、表格线以及插图边框线，通过单应变换关系，利用文本行基准线、表格线以及插图边框线构建校正复原模型，从而实现文档图像的扭斜校正。