数字图书结构化分析处理方法

摘要

本发明公开了一种数字图书结构化分析处理方法。本发明首先利用图像处理方法以及OCR工具对图书的扫描图像预处理，在此基础上获得图书的文本信息和视觉特征值，同时对图书的版面进行识别，去除无关信息。然后，根据图书的布局特征、功能性特征和视觉特征对图书进行目录检测、目录解析、段落识别和目录链接，并最终将图书进行结构化表示。本发明较好的运用了图书的布局特征、功能性特征和视觉特征，提高了图书结构化的准确率和适用性。

主权项

一种数字图书结构化分析处理方法，其特征在于，包括以下步骤：1)图书扫描图像切割和视觉特征提取：通过图像处理方法对图书扫描图像进行切割，获取坐标信息，然后提取视觉特征值；2)图书扫描图像版面分析和OCR识别：通过提取得到的视觉特征值对图书扫描图像进行版面分析，去除无关信息；通过OCR工具将图书扫描图像识别为文字；3)目录页和正文页判断：通过目录的布局特征和视觉特征判断目录页的范围，进而确定正文页的范围；4)目录识别：在步骤3)的基础上，通过目录的布局特征和视觉特征构建目录模型，提取出目录的条目信息，然后识别出完整的目录结构；5)正文段落识别：在步骤3)的基础上，通过段落的布局特征和视觉特征将正文的段落识别出来，构建正文的段落结构；6)目录链接：在步骤4)和步骤5)的基础上，通过页码匹配和标题匹配两级匹配制度，将结构化的图书目录与正文链接起来，得到完整的图书结构；7)图书结构化表示：基于步骤6)中得到的链接结果，用XML语言将图书进行结构化表示。