[发明专利]一种扫描文档信息处理方法、装置、电子设备及存储介质

说明书

本发明公开了一种扫描文档信息处理方法、装置、电子设备及存储介质，用于解决现有的扫描文档受文字损坏缺失的影响，阅读体验差的技术问题。其中，方法包括：获取扫描文档；扫描文档中包括多个字符；对扫描文档进行文字识别，得到每个字符的文字信息和位置信息；计算文字信息的文字置信度和位置信息的位置置信度；根据文字置信度和位置置信度确定可信字符；采用可信字符的文字信息和位置信息渲染扫描文档，得到渲染文档；显示渲染文档。

技术领域

本发明涉及文档转换技术领域，尤其涉及一种扫描文档信息处理方法、装置、电子设备及存储介质。

背景技术

随着科技技术的不断成熟，信息化水平的不断提高，在社会各行各业、不同领域，都建立起了电子档案，创建了大量的扫描文档。然而，随着纸质文档的存放时间过长，文档字迹会存在部分损坏缺失，所以扫描文档阅读起来体验不够友好。此外，扫描文档是没有文字和位置信息的，无法进行选词，批注，高亮，搜索等文字操作。

另一方面，随着墨水屏电子书阅读器的蓬勃发展以及硬件水平的不断提升，利用大尺寸阅读器设备进行阅读已经越来越普遍。对于10.3寸及以上的大屏阅读器设备，如何提高用户在阅读器上阅读扫描文档的体验，已经成为当前的研究热点。

现有技术主要通过以下两种方式进行阅读优化：

第一种方案是先从版式文档中提取流式信息，以将版式文档转化为流式文档，再通过流式文档的显示装置进行显示，由此实现版式文档的流式显示。然而，对于扫描文档而言，这种方法无法提取流式信息，需要开发重排引擎，工作量较大。同时，对于文字损坏丢失的纸质扫描文档，该方法没法进行优化阅读，阅读体验差。

第二种方案是使用其他网站提供的云服务，对扫描文档进行文本识别检测，嵌入文字和位置信息。然而，这种方案存在文档被盗用的风险；此外，由于不同的服务商算法不一样，检测到的结果也不一样，有的缺失段落信息，没有嵌入文字置信度信息。另外，对于用户来说，增加了成本，需要手动上传文档，然后下载文档，手动校正文档，用户体验差。

发明内容

本发明提供了一种扫描文档信息处理方法、装置、电子设备及存储介质，用于解决现有的扫描文档受文字损坏缺失的影响，阅读体验差的技术问题。

本发明提供了一种扫描文档信息处理方法，包括：

获取扫描文档；所述扫描文档中包括多个字符；

对所述扫描文档进行文字识别，得到每个所述字符的文字信息和位置信息；

计算所述文字信息的文字置信度和所述位置信息的位置置信度；

根据所述文字置信度和所述位置置信度确定可信字符；

采用所述可信字符的文字信息和位置信息渲染所述扫描文档，得到渲染文档；

显示所述渲染文档。

可选地，所述扫描文档包括至少一个待识别页面；所述对所述扫描文档进行文字识别，得到每个所述字符的文字信息和位置信息的步骤，包括：

对所述待识别页面进行渲染，得到渲染图像；

对所述渲染图像进行预处理，得到预处理图像；

对所述预处理图像进行灰度化处理，得到灰度图像；

对所述灰度图像进行二值化处理，得到二值化图像；

去除所述二值化图像的噪声，得到去噪图像；

对所述去噪图像进行倾斜校正处理，得到校正图像；

对所述校正图像进行版面分析和字符切割，得到每个所述字符的位置信息；

对切割得到的每个所述字符进行文字识别，得到文字信息。