一种文字编改系统及编改的方法

摘要

本发明公开了一种文字编改系统及编改的方法，所述系统包括：版面分析模块、版面加工模块及编改合并模块，所述版面分析模块，用于处理版面非文字内容，并通过行列扫描分析出文档中的每一单位块，计算所述板块的语种属性；版面加工模块，用于辅助版面分析模块，对需要交互式版面分析的单位块及单位块属性进行调整；编改合并模块，利用版面分析产生的文档，按不同的语种进行不同的识别和编改，生成不同的编改文本，并将不同的编改文本进行合并生成最终编改文本。本发明可以极大地提高编改效率、降低成本、提高质量；通过交互式版面调整，整合各语种独立的编改系统，可快速、高质的完成编改任务，经试验可得，根据本发明进行编改，每年的成本可节约71.6％。

说明书

技术领域

本发明涉及扫描文档的电子化，尤其涉及一种基于交互式版面分析的文字 编改系统。

背景技术

目前流水线上涉及到图像文字识别的主流工具有汉王、FineReader两种， 其中又以汉王软件的使用最为广泛。根据生产部门长期使用的经验，这些工具 在某些应用中取得了非常好的效果，但同时又存在很大的不足，主要表现在： 汉王识别软件对中文的支持相当好，但在英文识别中表现不佳。FineReader对 英文文献识别效果非常好，但中文识别支持不好。单独使用某种识别引擎会一 方面增加编改字符的数量，影响编改效率的提升，另一方面由于编改字符的增 加，在一致的编改错误率下增加了错误字符的数量，从而降低了最终产品的质 量。因此对于中英文混合的文献不管选择哪种识别工具都有各自的瓶颈，需要 改进编改系统。

发明内容

为解决上述中存在的问题与缺陷，本发明提供了一种编改系统及编改方 法，该系统和方法可以极大地提高编改效率、降低成本、提高质量。所述技术 方案如下：

一种文字编改系统，包括：

所述系统包括：版面分析模块、版面加工模块及编改合并模块，所述

版面分析模块，用于处理版面非文字内容，并通过行列扫描分析出文档中 的每一单位块，计算所述板块的语种属性；

版面加工模块，用于辅助版面分析模块，对需要交互式版面分析的单位块 及单位块属性进行调整；

编改合并模块，利用版面分析产生的文档，按不同的语种进行不同的识别 和编改，生成不同的编改文本，并将不同的编改文本进行合并生成最终编改文 本。

一种文字编改的方法，包括：

对版面非文字内容进行处理；

通过行列扫描分析出文档中的每一单位块，并计算出所述单位块的语种属 性；

对需要交互式版面分析的单位块及单位块属性进行调整；

通过不同的语种对文档进行不同的识别和编改，生成不同的编改文本，并 将不同的编改文本进行合并生成最终编改文本。

本发明提供的技术方案的有益效果是：

可以极大地提高编改效率、降低成本、提高质量；

通过交互式版面调整，整合各语种独立的编改系统，可快速、高质的完成 编改任务，经试验可得，根据本发明进行编改，每年的成本可节约71.6％。

附图说明

图1是文字编改系统结构图；

图2是文字编改方法流程图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明 实施方式作进一步地详细描述：

如图1所示，为文字编改系统结构，包括：版面分析模块、版面加工模块 及编改合并模块，所述

版面分析模块，用于处理版面非文字内容，并通过行列扫描分析出文档中 的每一单位块，计算所述板块的语种属性；

版面加工模块，用于辅助版面分析模块，对需要交互式版面分析的单位块 及单位块属性进行调整；

编改合并模块，利用版面分析产生的文档，按不同的语种进行不同的识别 和编改，生成不同的编改文本，并将不同的编改文本进行合并生成最终编改文 本。

上述版面非文字内容的处理包括黑边、杂质及图像中的非文字内容等。

在处理完版面非文字内容文档中，为了对版面作出尽可能准确的分析，采 用如下算法：

1)行扫描：对图像进行逐行扫描，统计处每一行的像素点个数，利用其 统计特征，得到每一行的上下边界。

2)列扫描：对每一行进行列扫描，统计出每一列的像素点个数，利用其 统计特征，得到每一行的左右边界，从而得到每一单位块。

3)单位块语种的识别：对每行文件进行简单识别处理，分析出中英文语 种的特征，如中英文文字的长宽比特征等。

4)后处理：个性化处理不同类型的文献。

交互式版面分析

经过自动版面分析之后，对于大部分排版较好的文档，处理结果基本可以 接受，但对于一些版式较乱、较复杂的文档，需要辅助一定的交互式版面分析， 即调整版面的单位块、每块的语种等其它属性，确保最后版面分析的正确性。

按语种识别编改

经过交互式版面分析后按语种形式的文档，提交给各自的编改系统；对用 中文部分，采用汉王和文通识别，不一致的部分抛出编改；对于英文部分，采 用FineReader和文通识别，不一致的部分抛出编改。

编改结果合并

将不同的编改文本进行合并生成最终的编改结果。

如图2所示，为文字编改方法，该方法包括：

对版面非文字内容进行处理；

通过行列扫描分析出文档中的每一单位块，并计算出所述单位块的语种属 性；

对需要交互式版面分析的单位块及单位块属性进行调整；

通过不同的语种对文档进行不同的识别和编改，生成不同的编改文本，并 将不同的编改文本进行合并生成最终编改文本。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的 精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的 保护范围之内。