[发明专利]文档版面智能化分析方法及装置

权利要求书

1.一种文档版面智能化分析方法，其特征在于，包括：

对原文档图像进行灰度化，得到灰度图像；

对所述灰度图像进行文本倾斜矫正，并得到第一二值图像；

获取所述二值图像中所有前景元素的连通域，并在所述所有前景元素的连通域中剔除非文本的连通域，得到第二二值图像；

提取出所述第二二值图像中的全文本区域图像以及第一非文本图像；

提取出所述第一非文本图像的轮廓并进行过滤，得到过滤结果；

将所述过滤结果输入分离投影深度卷积网络进行分类;

其中，提取出所述第二二值图像中的全文本区域图像以及第一非文本图像，包括：

提取出所述第二二值图像中竖直方向的竖直多级同构区域；

针对每一个所述竖直多级同构区域，再依次进行水平方向的多级同构区域提取得到水平多级同构区域；

根据所述竖直多级同构区域和水平多级同构区域确定所有多级同构区域，并在所述第二二值图像中提取出全文本区域图像；

根据所述全文本区域图像确定所述第二二值图像中的第一非文本图像。

2.根据权利要求1所述的文档版面智能化分析方法，其特征在于，所述对所述灰度图像进行文本倾斜矫正，并得到第一二值图像，包括：

获取所述灰度图像中文本倾斜角度；

在所述文本倾斜角度超过2^o时，通过最大行间方差算法对所述灰度图像进行倾斜矫正；

通过Sauvola局部二值化算法进行二值化处理，并得到所述第一二值图像。

3.根据权利要求1所述的文档版面智能化分析方法，其特征在于，在所述所有前景元素的连通域中剔除非文本的连通域，包括：

判断所述前景元素的连通域是否满足下述条件中的至少一个：

所述前景元素的连通域内像素个数小于6个；

一个所述前景元素的连通域内包含4个以上的子连通域；

所述前景元素的连通域内像素个数除以它的最小外接矩形的比率小于0.05；

所述前景元素的连通域最小外接矩形的短边与长边之比小于6%；

在一个所述前景元素的连通域满足以上4个条件中的任意一种，则判定为一个非文本连通域，将所述非文本连通域从所述第一二值图像中剔除。

4.根据权利要求1所述的文档版面智能化分析方法，其特征在于，所述提取出所述第二二值图像中竖直方向的多级同构区域，包括：

对所述第二二值图像做竖直投影，得到第一投影向量集；

将第一投影向量集中数值大于零的地方置为-1，等于零的地方保持为0，并得到第一赋值集；

根据所述第一赋值集对所述第一投影向量集进行游程编码，确定所述第二二值图像的竖直方向的所有黑线以及所有白线的线宽；

根据所述第二二值图像的竖直方向的所有黑线以及所有白线的线宽，分别得到第一黑线线宽组以及第一白线线宽组；

分别计算所述第一黑线线宽组以及第一白线线宽组的第一方差；

如果所述第一方差大于2.3，则根据所述第一黑线线宽组中最宽黑线或者第一白线线宽组中最宽白线进行图像分割；其中，根据所述第一黑线线宽组中最宽黑线进行图像分割为：在所述第一黑线线宽组中最宽黑线处两侧的白线垂直分割图像；根据第一白线线宽组中最宽白线进行图像分割为：在所述第一白线线宽组中最宽白线处垂直分割图像；

将进行图像分割后新生成的分割图像存储并继续计算，按此递归执行，直到所述第一黑线线宽组以及第一白线线宽组的方差均小于等于2.3，则表明已经提取出所有的竖直方向的竖直多级同构区域。