一种处理扫描书数据的方法及装置

摘要

本发明公开了一种处理扫描书数据的方法及装置，为实现对扫描书的页面文档进行版面重排提供必要条件，从而能够实现对扫描书进行版面重排。方法包括：读取所述页面文档的页面图像数据；对所述页面图像数据进行分割、识别，得到所述页面文档中的每个文字在相应页面文档上的矩形框位置和字符编码；对所述页面文档中的每行文字进行文字行聚合处理，得到所述每行文字的文字行信息，并根据所述文字行信息对所述每行文字中的每个文字对应的矩形框进行修正，得到每个文字的确切图像矩形框位置信息和文字行聚合信息；存储所述页面文档中每个文字对应的确切图像矩形框位置信息、文字行聚合信息和字符编码。

主权项

一种处理扫描书数据的方法，其特征在于，针对扫描书中的每个页面文档，包括：读取所述页面文档的页面图像数据；对所述页面图像数据进行分割、识别，得到所述页面文档中的每个文字在相应页面文档上的矩形框位置和字符编码；对所述页面文档中的每行文字进行文字行聚合处理，得到所述每行文字的文字行信息，并根据所述文字行信息对所述每行文字中的每个文字对应的矩形框进行修正，得到每个文字的确切图像矩形框位置信息和文字行聚合信息，针对所述页面文档，根据所述页面文档中的文字的像素数据，对所述页面文档中的所有文字进行分类，将视觉相同的文字归为一类，从而得到多类文字图像；为每类文字图像分配相应的编号，并存储该类文字图像中每个文字图像的确切图像矩形框位置信息、字符编码及对应的编号；将所述页面文档中的每类文字图像删除，并对删除后的页面文档进行压缩得到压缩文档，并存储所述压缩文档；存储所述页面文档中每个文字对应的确切图像矩形框位置信息、文字行聚合信息和字符编码。