[发明专利]基于深度学习和并查集算法识别并抽取图片的方法及装置

权利要求书

1.一种基于深度学习和并查集分类算法的OCR识别并抽取图片的方法，其特征在于，应用于服务器，包括如下步骤：

S101、读取PDF文档；

S102、把PDF文档中每一页转化为特定的图片格式；

S103、采用深度学习算法对图片进行OCR处理，输出文本信息BOX；

S104、运用并查集分类算法对文本信息进行抽取，得到段落分类；

S105、对段落分类进行筛选，得到纯文本段落；

S106、利用OpenCV对纯文本段落做白色BOX覆盖，得到TMP格式图片；

S107、对TMP格式图片做像素横纵扫描找到分割线；

S108、利用OpenCV对分割线进行图片切分，得到最终图片；

其中，S105中所述对段落分类进行筛选是指：对PDF图片中正文文本和注释文本进行区分，筛选出正文文本；所述正文文本的区分标准是：文本长度大于特定个数字符，文本前特定个数字符没有Figure标签；

其中，S108中所述“最终图片”包括注释文本和抽取出的图片。

2.如权利要求1所述的一种基于深度学习和并查集分类算法的OCR识别并抽取图片的方法，其特征在于：所述S103进一步包括以下步骤：

S1031、对PDF图片和样本图片进行预处理；

S1032、对预处理后PDF图片和样本图片进行卷积、下采样和分类，提取特征；

S1033、按照深度学习规则对样本图片的特征进行机器训练，根据学习训练结果构建文本识别模型；

S1034、将PDF图片的特征带入文本识别模型进行匹配；

S1035、输出文本信息BOX。

3.如权利要求2所述的一种基于深度学习和并查集分类算法的OCR识别并抽取图片的方法，其特征在于：S1032、S1033、S1034中所述特征包括字符和文字序列，采用深度学习算法、OCR能有效检测文字区域，准确切分和识别文字序列，进而分析语义并理解版面，最终输出格式化的文本信息。

4.如权利要求1所述的一种基于深度学习和并查集分类算法的OCR识别并抽取图片的方法，其特征在于：所述S104进一步包括以下步骤：

S1041、对文本信息进行计算，计算出平均的字高和平均的段落间隔；

S1042、设置两行之间是否同行的判别标准；

S1043、设置段落间隔；

S1044、构建判定函数，代入字高、段落间隔逻辑参数计算布尔值；

S1045、判断布尔值；

S1046、得到段落分类。

5.如权利要求1所述的一种基于深度学习和并查集分类算法的OCR识别并抽取图片的方法，其特征在于：所述并查集分类算法包括Set函数和Sum函数，所述Set函数是把某个元素放在某个集合中；所述Sum函数是返回数组，包含所有集合和集合中所有的元素。

6.如权利要求1所述的一种基于深度学习和并查集分类算法的OCR识别并抽取图片的方法，其特征在于：所述文本长度大于50个字符，文本前6个字符没有Figure标签。