[发明专利]基于内容的文本图像颠倒判断及校正方法

权利要求书

1.一种基于内容的文本图像颠倒判断及校正方法，设文本图像已经过倾斜校正，其特征在于，包括以下步骤：

S1：对文本图像进行行切分；

S2：剔除非文字行，保留文字行；

S3：取任意文字行L，使得文字行L的长度满足设定的范围；

S4：对文字行L进行OCR，计算文字行L的代价函数值，OCR是指光学字符识别；

S5：颠倒文字行L得到文字行L¹；

S6：对文字行L¹进行OCR，计算文字行L¹的代价函数值；

S7：如果文字行L的代价函数值大于文字行L¹的代价函数值，则文字行L是正向的，不需要颠倒；否则，认为文字行L是颠倒的，则进行颠倒校正；

上述所述文字行的代价函数值，具有的特征是：对同一文字行而言，正向文字行代价函数值显著不同于颠倒文字行代价函数值；

计算所述文字行的代价函数值的方法如下：对文字行L任一部分，如果以单词为颗粒度处理，则检查若干个字符是否组合成合法单词或单词片段；计算每一个合法单词或单词片段的代价函数值，将所有的合法单词或单词片段的代价函数值相加，得到该部分的代价函数值；计算合法单词或单词片段的代价函数值，使用单词出现概率子代价函数值和单词长度子代价函数值之和；单词出现概率越高，则出现概率子代价函数值越大；单词长度越长，则长度子代价函数值越大；

又：对文字行L任一部分，如果以字符为颗粒度处理，则检查OCR识别出的每一个字符，计算每一个字符的代价函数值，将所有的字符代价函数值相加得到该部分的代价函数值；字符在日常使用中出现的概率越大，其代价函数值越大。

2.根据权利要求1所述的基于内容的文本图像颠倒判断及校正方法，其特征在于，对文本图像进行行切分，采用下述步骤：

对文本图像先进行二值化；再对二值化图像进行前景像素点的游程连接，形成二值化游程连接图；

对二值化游程连接图，统计其水平方向上每行的前景像素点数量；对任意一行，如果该行的前景像素点数量小于设定的投影阈值，则认为该行是空白像素行，否则是非空白像素行；投影阈值根据实际情况设定；

计算相邻的非空白像素行的行数，得到非空白行的高度。

3.根据权利要求2所述的基于内容的文本图像颠倒判断及校正方法，其特征在于，剔除非文字行，保留文字行的过程如下：

计算所有的非空白行的高度text_lines_height(i)的平均值，得到平均文字行高度mean_text_lines_height，其中i是非空白行的序号；

用mean_text_lines_height作为阈值，检查各非空白行的高度text_lines_height(i)，再按照下述三种情况进行处理：

情况1：如果text_lines_height(i)mean_text_lines_height，则认为该行是非文字行；

情况2：如果text_lines_height(i)mean_text_lines_height，此时认为该行是非文字行；

情况3：如果不属于情况1和情况2，则认为该行是文字行。

4.根据权利要求3所述的基于内容的文本图像颠倒判断及校正方法，其特征在于，选取任意文字行L时，如果选取的文字行的长度大于mean_text_lines_height的N1倍，并且小于mean_text_lines_height的N2倍，则令该行是文字行L，自然数N1和N2的取值根据经验获得。

5.根据权利要求4所述的基于内容的文本图像颠倒判断及校正方法，其特征在于，计算文字行L的代价函数值时：

对OCR识别出的每一个字符进行下述判断：即判断字符适合以单词为颗粒度处理还是以字符为颗粒度处理；如果判断结果是字符适合以单词为颗粒度处理，则将文字行L划分为适合以单词为颗粒度处理的部分；如果判断结果是适合以字符为颗粒度处理，则将文字行L划分为适合以字符为颗粒度处理的部分；

基于上述的判断，计算文字行L每一部分的代价函数值，将每一部分的代价函数值相加得到文字行L的代价函数值。