[发明专利]文档图像识别装置及方法

说明书

本发明提供一种文档图像识别装置及方法，用于对包含复数页文档图像的文档进行页眉和页脚的识别，其特征在于，文档图像识别装置包括：待判定图像形成部，将每一页文档图像分割形成多个待判定图像；区域判定获取部，判定出各个文档图像中位置相互对应的待判定图像，并获取该待判定图像在文档图像中相对应的区域作为待判定区域；相似度判定部，依次判定待判定区域在各个文档图像中对应的待判定图像的相似度是否高于预定相似阈值；以及页眉页脚识别部，将被判定为相似度高于预定相似阈值的待判定区域且位于文档图像上方的待判定区域识别为页眉区域，并将被判定为相似度高于预定相似阈值的待判定区域且位于文档图像下方的待判定区域识别为页脚区域。

技术领域

本发明涉及一种文档图像识别装置及方法。

背景技术

很多文档中都设有页眉、页脚，用来显示一些文档的附加信息，如文档标题、日期、图标、页码等。但这些信息通常与文档正文的内容无关，因此，在一些需要对文档内容进行识别获取的场合中，需要先识别出页眉和页脚，从而区分页眉、页脚和正文，避免页眉、页脚中的内容被错误地识别为正文内容。

传统的页眉、页脚识别方法通常都针对电子文档，即，可以根据电子文档中设定的文档格式来识别出文档中页眉、页脚的位置。然而，随着光学字符识别的发展，现有很多文档内容的识别任务的对象是图像形式的文档，如通过扫描仪扫描得到的文档图像，这些文档图像难以通过上述传统的方法来完成页眉和页脚的识别。

另外，由于页眉、页脚的形态各异，例如：有的内容相对较多导致占据的区域较大，而有些则相反；不同文档的页眉、页脚也不都通过分割线进行划分，因此，通过预先划分页眉页脚区域、识别分割线等方式来确定出的页眉和页脚往往不够准确，仍然可能对正文内容的识别造成影响。

发明内容

为解决上述问题，提供一种能够准确识别出文档图像中页眉和页脚的文档图像识别装置及方法，本发明采用了如下技术方案：

结构一

本发明提供了一种文档图像识别装置，用于对包含复数页文档图像的文档进行页眉和页脚的识别，其特征在于，包括：待判定图像形成部，依次将每一页文档图像分割形成多个待判定图像；区域判定获取部，判定出文档图像中与其他文档图像中的待判定图像的位置相对应的待判定图像，并获取该待判定图像在文档图像中相对应的区域作为待判定区域；相似度判定部，依次判定待判定区域在各个文档图像中对应的待判定图像的相似度是否高于预定相似阈值；以及页眉页脚识别部，将被判定为相似度高于预定相似阈值的待判定区域且位于文档图像上方的待判定区域识别为页眉区域，并将被判定为相似度高于预定相似阈值的待判定区域且位于文档图像下方的待判定区域识别为页脚区域。

结构二

本发明提供了一种文档图像识别方法，用于对包含复数页文档图像的文档进行页眉和页脚的识别，其特征在于，包括以下步骤：待判定图像形成步骤，依次将每一页文档图像分割形成多个待判定图像；区域判定获取步骤，判定出文档图像中与其他文档图像中的待判定图像的位置相对应的待判定图像，并获取该待判定图像在文档图像中相对应的区域作为待判定区域；相似度判定步骤，依次判定待判定区域在各个文档图像中对应的待判定图像的相似度是否高于预定相似阈值；以及页眉页脚识别步骤，将被判定为相似度高于预定相似阈值的待判定区域且位于文档图像上方的待判定区域识别为页眉区域，并将被判定为相似度高于预定相似阈值的待判定区域且位于文档图像下方的待判定区域识别为页脚区域。

发明作用与效果