一种基于sivv特征的文档图像粗分类方法
【技术领域】：
[0001] 本发明属于文档处理中文档分类领域，特别设及一种基于SIW(Spectral Image Validation and Verification,光谱图像验证与认证）特征的文档图像粗分类方法。
【背景技术】：
[0002] 在互联网时代，网络中的文档资料量巨大，人工分类的方式无法完成大规模文档 分类工作，使用计算机进行文档自动分类意义重大。互联网中的文档资源有很大部分是图 片或PDF格式，并且文档内容形式不再局限于纯文本，准确获取图片或PDF中文本信息的难 度较大，传统基于文本内容的分类对于图片或PDF文档分类效果较差。
[0003] 目前主要的文档图像分类方法可分为=类，基于文本特征的方法，基于图像特征 的方法和基于混合特征的方法。
[0004] 基于文本内容的文档自动分类技术主要可分为两类；基于知识的分类和基于统 计的分类（孙斌.信息提取技术概述（中）[J].术语标准化与信息技术，2002, 4:008.)。 基于知识的文本分类技术需要大量的文本分类规则，所需规则的数目随着系统复杂度呈指 数上升，无法做到对大数据量的精准分类。基于统计方法的文本分类方法有，K邻近（Guo G,WangH,BellD,etal.KNNmodel-basedapproachinclassification[M]//OnThe MovetoMeaningfulInternetSystems2003:CoopIS,DOA,andODBASE.SpringerBerlin 化ide化erg, 2003:986-996.)，支持向量机（SVM)，朴素贝叶斯，决策树，神经网络等方法。该 些分类方法很大程度上依赖于获得的文本内容的准确性。对于图片或PDF格式的文档，尤 其是质量较差的文档图像，很难获得准确的文本信息，导致无法精准分类。
[0005]基于图像特征的分类方法（ShinC,DoermannD,RosenfeldA.Classification ofdocumentpagesusingstructure-basedfeatures[J].InternationalJournalon Do州mentAnalysisandReco即ition, 2001, 3(4) :232-247.),主要利用文档的图像特征， 如灰度直方图、区域颜色描述、纹理特征、形状特征等进行分类。常见的图像分类方法有， 决策树、支持向量机、遗传算法、贝叶斯、神经网络等。本发明使用的SIW特征（LibertJ M,OrandiS,GranthamJ.AIDSpectralImageValidation/VerificationMetricfor Fingerprints(NISTIR7599),NationalInstituteofStandardsandTechnology,Gait hersburg,MD, 2009[J].)属于图像特征，利用SIW特征的相关系数，对文档进行粗分类。
[0006]基于混合特征的方法（QienF,GirgensohnA,CooperM,etal.Genre identificationforofficedocumentsearchandbrowsing[J].InternationalJournal onDo州mentAnalysisandReco即ition(IJDAR), 2012, 15(3): 167-182.)，结合文档的图 像、结构、文本特征进行文档分类。混合方法往往存在时间复杂度高，分类速度慢等问题。
【发明内容】
：
[0007] 本发明公开一种基于SIW特征的文档图像粗分类方法，将文档图像根据SIW特 征相关系数自动分成若干类，具有鲁椿性好、准确度高、分类速度快的特点。具体如下：
[000引一种基于SIW特征的文档图像粗分类方法，步骤如下：
[0009] (1)对文档图像进行预处理；
[0010] (2)使用与文档图像同等大的2DBlackman窗（如图1所示）分别对每幅图进行 加窗处理；
[001。 （3)对加窗后图像计算SIW特征（如图2所示）；
[001引 （4)计算每幅图两两之间的SIW特征的相关系数；
[0013] (5)若其中K个文档两两之间相关系数r均大于某一阔值，则认为该K个文档属于 同一分类。
[0014] 步骤（2)中，2DBlackman窗通过如下方式获得；
[0015] 设长度为Q的一维Blackman窗的表达式如下；
[001 引
【主权项】
1. 一种基于SIVV特征的文档图像粗分类方法，其特征在于，有如下步骤： (1) 对文档图像进行预处理； (2) 使用与文档图像同等大的2D Blackman窗分别对每幅图进行加窗处理； (3) 对加窗后图像计算SIVV特征； (4) 计算每幅图两两之间的SIVV特征的相关系数； (5) 若其中K个文档两两之间相关系数r均大于某一阈值，则认为这K个文档属于同一 分类。
2. 如权利要求1所述的方法，其特征在于，在步骤（2)中，2D Blackman窗通过如下方 式获得： 设长度为Q的一维Blackman窗的表达式如下：
其中，Q = M，q表示该一维Blackman窗中像素点的序号，且q = 1，2,…，Q ; 将式（1)与式（1)叉乘，得到2D Blackman窗的矩阵形式。
3. 如权利要求1所述的方法，其特征在于，所述步骤（3)的详细内容是： (31) 利用式（2)计算加窗后图像的频谱图：
其中，
h(x，y)表示加窗后图像中对应坐标（X，y)处的像 素值;M、N均取值为加窗后图像的大小； (32) 采用式（3)计算加窗后图像的二维正态化对数功率谱： P(u,v) = |H(u,v) I2 (3) (33) 采用式（4)将式（3)转换到极坐标系下：
采用Ρ(Ρ，Θ)表示极坐标系下的功率谱，其中，p表示对加窗后图像的最大尺度均 分； (34) 利用式（5)将所有角度Θ下的P求和，得到关于p的功率谱：
从而，正态化的关于P的功率谱表示为：
其中，P e [〇, 0.5]周期/像素。
4. 如1或3所述的方法，其特征在于：所述步骤（32)中，采用的正态化方法有
5. 如权利要求1所述的方法，其特征在于，采用式（7)计算两个SIVV特征相关系数， r e [〇, 1]，r值越接近1表明两个文档属于同一个分类的可能性越，
6. 如权利要求1所述的方法，其特征在于，分类的阈值可以根据具体任务设定，若其中 K个文档两两之间相关系数r均大于这一阈值，则认为这K个文档属于同一分类。
【专利摘要】本发明公开一种基于SIVV特征的文档图像粗分类方法，包括如下步骤：获取文档图像，预处理，加窗处理，计算文档图像SIVV特征，对每个文档分别计算与其他文档SIVV特征的相关系数，若其中K个文档两两之间相关系数均大于某一阈值，则认为这K个文档属于同一分类。本发明的目的，在于提出一种新的文档图像粗分类方法，无需准确获取文档文本内容，即可将文档图像根据SIVV特征的相关系数自动分成若干类，方法具有鲁棒性好、分类速度快的特点。
【IPC分类】G06K9-62, G06K9-00
【公开号】CN104866822
【申请号】CN201510227324
【发明人】马廷淮, 赵波, 张正宇, 霍晶晶
【申请人】南京信息工程大学
【公开日】2015年8月26日
【申请日】2015年5月6日