[发明专利]用于从成像文件提取文本的方法和设备

说明书

公开了用于从成像文件提取文本的方法和设备。示例性方法包括将文件的图像分段为对应于所述文件中的个体字符的局部子图像。该示例性方法还包括基于各自的所述子图像与基准子图像的视觉相关性将各自的所述子图像分组为群集。所述基准子图像与被分组为所述群集的各自的所述子图像之间的所述视觉相关性超出相关性阈值。该示例性方法还包括基于被分组为所述群集的所述子图像识别用于所述群集的指定字符。该示例性方法还包括将所述指定字符与所述文件的所述图像中与被分组为所述群集的各自的所述子图像相关联的位置相关联。

技术领域

本发明总体涉及文本提取，且更具体地涉及用于从成像文件提取文本的方法和设备。

背景技术

存在许多不同的环境和理由，针对这些环境和理由，个人、商家和/或其它实体可能期望将文件(或其它项目)中的文本的图像转换为机器编码的文本。例如，成像文本到机器编码的文本的转换能够使该文本被电子编辑、被搜索、被组织和/或被存储在数据库中等。成像文本的识别和编码在本文中被称为文本提取。

发明内容

本发明的目的是提高从文件的图像提取文本的准确度和/或效率。该目的至少通过根据本发明的以下一个或多个方面的技术方案来实现。

根据本发明的第一方面，提供了一种用于从文件的图像提取文本的方法，所述方法包括：

利用处理器将所述文件的所述图像分段为对应于所述文件中的个体字符的局部子图像；

利用所述处理器，通过如下方式确定所述子图像中的第一子图像与基准子图像的视觉相关性：

将所述子图像中的所述第一子图像变换成具有对应于所述基准子图像的空间取向以确定变换的子图像；

在所述变换的子图像周围添加边界；

针对所述基准子图像相对于由所述边界限定的分界线内的所述变换的子图像的不同位置，计算所述变换的子图像和所述基准子图像之间的相关值，以及

将所述相关值中的最大相关值分配为所述子图像中的所述第一子图像与所述基准子图像的所述视觉相关性；

利用所述处理器基于各自的所述子图像与所述基准子图像的相应的视觉相关性将所述各自的所述子图像分组为群集，所述基准子图像与被分组为所述群集的所述各自的所述子图像之间的所述相应的视觉相关性超出相关性阈值；

利用所述处理器基于被分组为所述群集的所述子图像识别用于所述群集的指定字符；以及

利用所述处理器将所述指定字符与所述文件的所述图像中与被分组为所述群集的所述各自的所述子图像相关联的位置相关联。

根据本发明的第二方面，提供了一种用于从文件的图像提取文本的方法，所述方法包括：利用处理器将所述文件的所述图像分段为对应于所述文件中的个体字符的局部子图像；利用所述处理器基于各自的所述子图像与基准子图像的相应的视觉相关性将所述各自的所述子图像分组为群集，所述基准子图像与被分组为所述群集的所述各自的所述子图像之间的所述相应的视觉相关性超出相关性阈值；利用所述处理器基于被分组为所述群集的所述子图像识别用于所述群集的指定字符；利用所述处理器将所述指定字符与所述文件的所述图像中与被分组为所述群集的所述各自的所述子图像相关联的位置相关联；基于用于所述群集的代表性子图像的光学字符识别分析的输出来确定所述指定字符的可靠性，其中，当通过用于所述群集的所述代表性子图像的所述光学字符识别分析生成的位置误差值不满足位置误差阈值时，将所述指定字符确定为不可靠的，所述位置误差值对应于所述代表性子图像内识别的所述指定字符的分界线的位置与所述代表性子图像的分界线之间的差异；当所述指定字符被确定为不可靠时，提示人类检查者验证所述指定字符；以及当所述指定字符被确定为可靠时，自动地将所述指定字符分配给所述群集。