[发明专利]一种OCR漏识判断方法及系统

说明书

技术领域

本发明涉及计算机文字识别处理技术领域，尤其涉及一种基于图像区域增长算法的OCR漏识判断方法及系统。

背景技术

随着计算机技术及数字化技术的不断发展，需要将传统的纸质书籍、文档、报纸等电子化。在将这些物理实体数据到电子数据的转换加工过程中，纸质的书籍、文档、报纸最终转换为电子数据(TXT、WORD，PDF等格式的电子文件)，不可避免的使用文字识别技术(OCR技术，Optical Character Recognition，光学字符识别)。

基于图书数字化加工的特点，要求有效图像内容不能“丢失”，现在的有很多OCR引擎，如汉王，ABBYY，文通等。这些OCR技术虽然已经比较成熟，但在应用过程中并不能完全满足实际的需求，特别是OCR的漏识问题。

OCR漏识的原因主要是：

1.被识别文档本身的原因，如印刷的油墨问题，或者被识别文档年代久远或破损，字迹模糊不清晰等；

2.扫描文档时存在的问题，如扫描的质量，图像的分辨率等，容易造成文字笔画不规则，为后续的正确识别造成障碍；

3.OCR技术本身给出的文字坐标不能将整个文字包围，也会造成漏识。

OCR漏识后，就会造成了页面有效内容的丢失，现在采用通过识别后的文字与原图人工对比查找漏识区的方法，效率低。

因此，在OCR识别过程中，OCR识别图像的正确性与效率固然重要，但如何找到OCR的漏识区间也是非常重要的。目前还未见针对OCR识别中的漏识问题提出的技术解决方案及相关文献。

发明内容

针对现有技术中所存在的不足，本发明的目的在于提供一种能够快速找到OCR过程中的漏识区间的基于图像区域增长算法的OCR漏识判断方法及系统。

为实现上述发明目的，本发明采用的技术方案如下：

一种OCR漏识判断方法，包括以下步骤：

(1)数据输入：输入原始图像，所述的原始图像为二值图；

(2)对输入的原始图像进行OCR识别，输出识别结果；

(3)漏识判断：根据步骤(2)中的输出识别结果，判断漏识区间；

(4)搜索漏识区间里的联通区，过滤图像与噪点；

(5)输出漏识文字。

进一步，步骤(2)中所述的输出识别结果包括识别出的文字及其矩形坐标即矩形框。

进一步，步骤(3)中，判断漏识区间的方法如下：对输出的文字逐个处理，判断文字笔画是否全部在矩形框内，如果不是，则根据输出的该文字的矩形坐标从矩形四边向外做图像增长，将与矩形框相邻的黑点也视作该文字的像素点，得到该文字的所有像素点，从图像中删除该文字的所有像素点；如果是，则继续处理下一个文字，直到完成所有文字的处理，最后就得到了图像中的漏识区间。

更进一步，在对文字的矩形框作增长时，具体方法是：从矩形框边缘开始，遇与文字连接有效像素点的就向外扩边，直到无有效像素点为止，这就得到了该文字新的边界。

再进一步，在对文字矩形框向外增长时，按像素点逐点向外增长，增长的比例控制在50％以内。

进一步，步骤(4)中，搜索联通区时，对步骤(3)中得到的所有漏识区间中的黑色像素点周围进行扫描，得到所有联通区；

然后根据联通区面积及文字矩形框面积的大小，将联通区面积远大于文字矩形框面积的区域视作图像，将联通区面积远小于文字矩形框面积的区域视作噪点，然后对这些图像与噪点进行过滤。

更进一步，将大于文字矩形框面积4-8倍以上的联通区视作图像。将小于文字矩形框面积1/8-1/16以下的联通区视作噪点。

进一步，步骤(5)中，将接近于文字矩形框面积的联通区域视作漏识文字进行输出。

一种OCR漏识判断系统，包括以下装置：

数据输入装置，用于输入原始图像，所述的原始图像为二值图；

OCR识别装置，用于对输入的原始图像进行OCR识别，输出识别结果，所述识别结果包括识别出的文字及其矩形坐标即矩形框；

漏识判断装置，用于对输出的文字逐个处理，判断文字笔画是否全部在矩形框内，如果不是，则根据输出的该文字的矩形坐标从矩形四边向外做图像增长，将与矩形框相邻的黑点也视作该文字的像素点，得到该文字的所有像素点，从图像中删除该文字的所有像素点；如果是，则继续处理下一个文字，直到完成所有文字的处理，最后就得到了图像中的漏识区间；

联通区搜索装置，用于搜索漏识区间里的联通区；

图像与噪点过滤装置，用于过滤漏识区间里的图像与噪点；

输出装置，用于输出漏识文字。