一种纸质扫描文档文字识别与多模态数据重构方法

本发明属于文档处理技术领域，尤其涉及一种纸质扫描文档文字识别与多模态数据重构方法。本申请通过对获取的纸质扫描文档进行格式转换与规范化处理；对处理后得到的图像进行分割；对分割后的图像进行分类，识别每一块图像所属的模态要素类别；对分类为文本模态类型的图像进行文字识别；对分类为表格模态类型的图像进行单元格分割和内容识别；构建功能单元体系框架，基于模态要素和功能单元体系框架从纸质扫描文档中提取各科研项目功能单元。实现从模态要素和功能单元多方面对文档进行细粒度拆分，抽取结果能够覆盖科研项目纸质扫描文档的重要内容，且抽取准确率高。