[发明专利]一种基于SIVV特征的文档图像粗分类方法

说明书

本发明公开一种基于SIVV特征的文档图像粗分类方法，包括如下步骤：获取文档图像，预处理，加窗处理，计算文档图像SIVV特征，对每个文档分别计算与其他文档SIVV特征的相关系数，若其中K个文档两两之间相关系数均大于某一阈值，则认为这K个文档属于同一分类。本发明的目的，在于提出一种新的文档图像粗分类方法，无需准确获取文档文本内容，即可将文档图像根据SIVV特征的相关系数自动分成若干类，方法具有鲁棒性好、分类速度快的特点。

技术领域

本发明属于文档处理中文档分类领域，特别涉及一种基于SIVV(Spectral ImageValidation and Verification，光谱图像验证与认证)特征的文档图像粗分类方法。

背景技术

在互联网时代，网络中的文档资料量巨大，人工分类的方式无法完成大规模文档分类工作，使用计算机进行文档自动分类意义重大。互联网中的文档资源有很大部分是图片或PDF格式，并且文档内容形式不再局限于纯文本，准确获取图片或PDF中文本信息的难度较大，传统基于文本内容的分类对于图片或PDF文档分类效果较差。

目前主要的文档图像分类方法可分为三类，基于文本特征的方法，基于图像特征的方法和基于混合特征的方法。

基于文本内容的文档自动分类技术主要可分为两类：基于知识的分类和基于统计的分类(孙斌.信息提取技术概述(中)[J].术语标准化与信息技术,2002,4:008.)。基于知识的文本分类技术需要大量的文本分类规则，所需规则的数目随着系统复杂度呈指数上升，无法做到对大数据量的精准分类。基于统计方法的文本分类方法有，K邻近(Guo G,WangH,Bell D,et al.KNN model-based approach in classification[M]//On The Move toMeaningful Internet Systems 2003:CoopIS,DOA,and ODBASE.Springer BerlinHeidelberg,2003:986-996.)，支持向量机(SVM)，朴素贝叶斯，决策树，神经网络等方法。这些分类方法很大程度上依赖于获得的文本内容的准确性。对于图片或PDF格式的文档，尤其是质量较差的文档图像，很难获得准确的文本信息，导致无法精准分类。

基于图像特征的分类方法(Shin C,Doermann D,Rosenfeld A.Classificationof document pages using structure-based features[J].International Journal onDocument Analysis and Recognition,2001,3(4):232-247.),主要利用文档的图像特征，如灰度直方图、区域颜色描述、纹理特征、形状特征等进行分类。常见的图像分类方法有，决策树、支持向量机、遗传算法、贝叶斯、神经网络等。本发明使用的SIVV特征(Libert J M,Orandi S,Grantham J.A 1D Spectral Image Validation/Verification Metric forFingerprints(NIST IR 7599),National Institute of Standards and Technology,Gaithersburg,MD,2009[J].)属于图像特征，利用SIVV特征的相关系数，对文档进行粗分类。

基于混合特征的方法(Chen F,Girgensohn A,Cooper M,et al.Genreidentification for office document search and browsing[J].InternationalJournal on Document Analysis and Recognition(IJDAR),2012,15(3):167-182.)，结合文档的图像、结构、文本特征进行文档分类。混合方法往往存在时间复杂度高，分类速度慢等问题。

发明内容