[发明专利]一种版面分析方法及装置

说明书

本发明公开一种版面分析方法及装置，该方法包括：对待分析版面的原图像进行二值化处理，逐行扫描二值化图像，将每行中连续存在个数小于水平阈值且灰度值为255的像素点灰度值置0，得到第一图像；逐列扫描二值化图像，将每列中连续存在个数小于垂直阈值且灰度值为255的像素点灰度值置0，得到第二图像。将第一图像和第二图像上灰度值为0的像素点标记1，灰度值为255的像素点标记0，对相同位置像素点执行或操作，得到第三图像。获取第三图像上黑色连通区域的位置信息，对原图像进行标注，得到原图像上的标注区域。本发明能够将属于原图像上同一个自然段的文本尽量划分到同一个标注区域中，有利于提高后续以标注区域为识别对象的内容识别的效率。

技术领域

本发明涉及数据处理领域，具体涉及一种版面分析方法及装置。

背景技术

通常，系统对图像上的内容(包括文本和图片等)进行识别之前，首先要对图像的版面进行分析，以确定出该图像上用于内容识别的输入对象，即待识别区域。

行程长度平滑算法(英文：Run Length Smoothing Algorithm；简称：RLSA)是一种常用的版面分析算法，用于将图像划分为不同的待识别区域(包括文本段落、图片块等)，作为后续系统对图像上的内容进行识别的输入对象。

但是，利用RLSA算法对图像进行划分后得到的待识别区域的数量通常较多，且经常将属于一个自然段内的文本划分到不同的待识别区域中，这种划分方式是不利用系统对待识别区域中的内容进行识别的。同时，由于待识别区域的数量较多，也会导致系统对图像的内容识别效率较低。

发明内容

有鉴于此，本发明提供了一种版面分析方法及装置。

本发明提供的一种版面分析方法，所述方法包括；

对待分析版面的原图像进行二值化处理后，得到二值化图像，所述二值化图像具有水平阈值和垂直阈值；

逐行扫描所述二值化图像，将每行中连续存在个数小于所述水平阈值且灰度值为255的像素点的灰度值置0，得到第一图像；

以及，逐列扫描所述二值化图像，将每列中连续存在个数小于所述垂直阈值且灰度值为255的像素点的灰度值置0，得到第二图像；

将所述第一图像和所述第二图像上灰度值为0的像素点标记为1，灰度值为255的像素点标记为0；

对所述第一图像与所述第二图像上相同位置的像素点执行或操作，得到第三图像；

获取所述第三图像上的黑色连通区域，并计算出每个黑色连通区域的位置信息；

利用所述位置信息，对所述待分析版面的原图像进行标注，得到所述原图像上的标注区域。

优选地，所述方法还包括：

获取所述二值化图像上的黑色连通区域；

获取各个黑色连通区域的宽值，并计算所述二值化图像上黑色连通区域的平均宽值；

将所述平均宽值乘以第一预设倍数得到的值，作为所述二值化图像的水平阈值。

优选地，所述方法还包括：

获取所述二值化图像上的黑色连通区域；

获取各个黑色连通区域的高值，并计算所述二值化图像上黑色连通区域的平均高值；

将所述平均高值乘以第二预设倍数得到的值，作为所述二值化图像的垂直阈值。

优选地，所述方法还包括：

获取所述二值化图像上的黑色连通区域；

获取各个黑色连通区域的宽值和高值后，计算所述宽值和所述高值的乘积的平方根，作为该黑色连通区域的宽高值；