一种档案图像版式要素著录方法及系统
本发明涉及文档图像识别,具体涉及一种档案图像版式要素著录方法及系统。
背景技术:
1、在档案数字化过程中,纸质档案通常经扫描或拍照形成图像文件,再通过图像预处理、文字识别、版面分析和人工复核等环节形成目录数据。现有系统多以识别文本为中心,将题名、责任者、日期、文号、页码等内容抽取后写入目录字段;或先识别标题、正文、表格、印章、页眉页脚等页面区域,再对相应区域进行文字识别或辅助人工校对。
2、然而,档案材料具有成套性和层级性,同一批图像中可能同时包含封面、目录、正文、附件、登记表、空白背面等不同页面。不同页面上的相同文本类型往往具有不同著录含义,例如日期、机构名称、编号或数字可能因所在区域、相邻文字、印章或表格栏目不同而对应不同目录项目。仅依靠文本内容、单页模板或固定坐标提取,容易出现字段含义判断不准、不同层级目录混用、人工复核难以快速定位依据的问题。
3、此外,档案图像在加工过程中常发生裁边、纠偏、旋转、缩放、格式转换和重新扫描等处理,处理前后图像区域可能不一致;连续页、附件页、目录页与正文页之间还可能存在页码缺失、错序、重页或目录记录与正文位置不一致等情况。现有方式多将图像处理、字段提取和页序检查作为相对独立环节,结果之间缺少统一的可核验依据,导致著录结果在后续质检、抽查或系统迁移时难以判断字段来源是否准确、页面范围是否可靠。
4、因此,本发明提出一种档案图像版式要素著录方法及系统。
技术实现思路
1、针对现有技术存在的不足,本发明的目的在于提供一种档案图像版式要素著录方法及系统。
2、为实现上述目的,本发明提供了如下技术方案:
3、一种档案图像版式要素著录方法,其特征在于,包括:
4、对待著录档案图像集的原始图像进行标准化处理,得到标准化图像,建立图像处理版本记录,所述图像处理版本记录包括处理版本标识和坐标变换关系;
5、对标准化图像进行页面角色识别和版式要素定位,得到每页的页面角色候选和版式要素候选,依据坐标变换关系将版式要素候选中标准区域对应到原图区域,生成版式要素证据节点;
6、根据页面角色候选生成页面节点,根据图像处理版本记录生成处理版本节点,根据版式要素证据节点和著录项目映射规则生成字段候选节点,根据跨页版式要素建立跨页锚定边和档案单元候选节点,根据节点及节点之间的证据边构建版式证据闭合图,所述证据边包括坐标回溯边、字段候选边、页面内邻域边、跨页锚定边、档案单元包含边和角色互斥边;
7、针对同一字段候选节点的不同候选著录角色,从版式证据闭合图提取候选闭合证据链,计算每一候选闭合证据链的闭合残差向量,确定目标闭合证据链;
8、基于目标闭合证据链确定著录字段、著录层级、所属档案单元、档案单元边界和页序完整性状态,生成著录结果。
9、进一步地,图像处理版本记录的建立包括:记录每页原始图像的页标识、图像尺寸、页序号和图像校验摘要值;对所述原始图像执行去边、纠偏、旋转、缩放、透视校正和尺度归一化中的至少一种标准化处理;记录标准化处理对应的处理版本标识、标准化图像尺寸和坐标变换关系;写入对应页面的图像处理版本记录。
10、进一步地,页面角色候选通过以下方式生成:对标准化图像进行文字块合并、表格线检测、红色区域检测、页码候选提取、标题候选提取和目录项候选行提取;根据提取得到的结果生成页面识别特征项,所述页面识别特征项包括文字密度、表格结构强度、标题显著度、印章分布、页码位置、目录行一致性和空白比例;根据页面识别特征项与页面角色规则确定初始页面角色;根据相邻页面之间的角色转移关系对初始页面角色进行修正,得到页面角色候选。
11、进一步地,版式要素候选通过以下方式生成:根据页面角色候选确定待检测版式要素类别集合;在标准化图像中定位待检测版式要素类别集合对应的标题区、文号区、责任者区、日期区、印章区、签批区、页码区、目录项区、附件标识区、续页标识区和骑缝章残片区中的至少一种区域;将定位得到的区域作为版式要素候选,并为版式要素候选记录要素类别和标准区域。
12、进一步地,版式要素证据节点通过以下方式生成:对版式要素候选进行文字识别,得到识别文本;对版式要素候选进行视觉特征提取,得到颜色、形状、轮廓、位置和邻近关系中的至少一种视觉特征;将页标识、页面角色候选、要素类别、标准区域、原图区域、识别文本、视觉特征和处理版本标识封装为版式要素证据节点;当版式要素候选缺少识别文本但具有视觉特征时,保留对应版式要素证据节点并标记为缺文本证据节点。
13、进一步地,坐标回溯边通过以下方式建立:在标准化图像中定位版式要素候选的标准区域;根据处理版本标识读取对应的坐标变换关系;依据所述坐标变换关系将标准区域对应到原始图像坐标系,得到原图区域;写入坐标回溯边。
14、进一步地,页面内邻域边通过以下方式建立:根据同一页面内两个版式要素证据节点的标准区域,确定两个版式要素证据节点之间的上下相邻关系、左右相邻关系、包含关系、重叠关系、对齐关系或距离最近关系;写入页面内邻域边;将页面内邻域边连接对应的两个版式要素证据节点。
15、进一步地,版式证据闭合图通过以下方式构建:以每页的页标识和页面角色候选生成页面节点;以图像处理版本记录生成处理版本节点;以版式要素证据节点作为证据节点;以字段候选节点作为待判定字段节点;以档案单元候选节点作为候选归属节点;通过坐标回溯边、字段候选边、页面内邻域边、跨页锚定边、档案单元包含边和角色互斥边连接对应节点,形成版式证据闭合图。
16、进一步地,候选闭合证据链通过以下方式提取:针对一个字段候选节点、一个候选著录角色和一个档案单元候选节点,从版式证据闭合图中提取字段候选节点、版式要素证据节点、处理版本节点、页面节点和档案单元候选节点的证据边;当候选著录角色依赖页面内位置关系时,提取页面内邻域边;当候选著录角色或档案单元候选节点依赖跨页关系时,提取跨页锚定边;当候选著录角色属于角色互斥组时,提取角色互斥边;将提取到的节点和证据边组成候选闭合证据链。
17、一种档案图像版式要素著录系统,包括:
18、版本记录建立模块,用于对原始图像进行标准化处理,得到标准化图像,建立图像处理版本记录;
19、版式要素证据节点生成模块,用于对标准化图像进行页面角色识别和版式要素定位,得到每页的页面角色候选和版式要素候选,依据坐标变换关系将版式要素候选中标准区域对应到原图区域,生成版式要素证据节点;
20、版式证据闭合图构建模块,用于根据页面节点、处理版本节点、字段候选节点、档案单元候选节点及节点之间的证据边构建版式证据闭合图;
21、目标闭合证据链确定模块,用于从版式证据闭合图提取候选闭合证据链,计算每一候选闭合证据链的闭合残差向量,确定目标闭合证据链;
22、著录结果生成模块,用于基于目标闭合证据链确定著录字段、著录层级、所属档案单元、档案单元边界和页序完整性状态,生成著录结果。
23、本发明具有以下有益效果:
24、1、本发明将页面、图像处理版本、版式要素、字段候选和档案单元组织为版式证据闭合图,并通过闭合证据链判断字段候选是否同时满足坐标回溯、角色模式、档案单元包含和跨页锚定条件,从而减少字段值正确但证据区域或所属档案单元错误的情况;
25、2、本发明为标准区域和原图区域建立坐标回溯边,并通过回映区域与标准区域之间的坐标闭合残差判断处理版本是否可信,使著录字段能够在原始扫描图像中形成可核验的证据区域;
26、3、本发明通过角色闭合模式和角色模式残差对同一文本类型的多个候选著录角色进行消歧。日期、机构名称、编号等相似文本不再仅依据文本内容或固定模板位置确定角色,而是依据页面角色、区域位置、邻域关系、跨页锚定和互斥关系形成闭合判断;
27、4、本发明通过目录项锚定边、页码连续边、附件连续边、续页连续边和骑缝章拼合边共同确定档案单元边界,并将边界状态和页序完整性状态写入著录结果,使跨页版式要素成为字段著录和档案单元划分的共同依据。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com