国网福建省电力有限公司信息通信分公司 陈严纾 林彧茜 蔡宇翔 方略斌

福建亿榕信息技术有限公司 卢伟龙 蔡映红

生活中有很多文档数据都是以图像的方式储存在网络系统中，而如何将这些非结构化的图像数据转换成结构化内容是实际发展的重难点。本文研究选用了改进后的区域卷积神经网络，也就是Faster- CNN结构的深度学习网络模型，并利用投影计算算法对数字研发系统中非结构化的文档图像实施版面内容进行自动分类和定位，并针对识别、获取转换非结构化文档图像当中的表格，最终得到非结构化数据的融合方法。

1 非结构化的文档版面

1.1 二值化和降噪

对非结构化的文档图像而言，其是由前景因素与背景因素两部分构成，而二值化的根本目的在于利用计算图像当中包含的像素值，将一副图像转变为只存在黑白两种像素点的图像，以此提取图像当中的前景因素。此时，所对应二值化的变化函数公式为：

其中，T代表阈值，同样也是计算二值化最重要的一步。除此之外，也有其他方法进行处理，例如全局阈值法、局域阈值法以及自适应阈值法等。本文研究所选阈值法，设非结构化文档图片是I（x，y），图像大小是W×H，分割前景图像和背景图像之间的阈值为T，前景像素点数量和整体图像的像素点数量之间的比例为η0，而背景像素点数量和整体图像的像素点数量之间的比例是η1，且图像的总体灰度数值为λ，前景背景的灰度数值为λ0，背景像素的灰度数值为λ1。……