2022
Information Extraction from Scanned Invoice Images using Text Analysis and Layout Features
HA, Hien Thi a Aleš HORÁKZákladní údaje
Originální název
Information Extraction from Scanned Invoice Images using Text Analysis and Layout Features
Autoři
HA, Hien Thi (704 Vietnam, domácí) a Aleš HORÁK (203 Česká republika, domácí)
Vydání
Signal Processing: Image Communication, Elsevier, 2022, 0923-5965
Další údaje
Jazyk
angličtina
Typ výsledku
Článek v odborném periodiku
Obor
10201 Computer sciences, information science, bioinformatics
Stát vydavatele
Nizozemské království
Utajení
není předmětem státního či obchodního tajemství
Odkazy
Impakt faktor
Impact factor: 3.500
Kód RIV
RIV/00216224:14330/22:00125095
Organizační jednotka
Fakulta informatiky
UT WoS
000788052500011
Klíčová slova anglicky
OCR; Information extraction; Scanned documents; Document metadata; Invoice metadata extraction; Metadata indexing
Příznaky
Mezinárodní význam, Recenzováno
Změněno: 14. 9. 2024 10:15, doc. RNDr. Aleš Horák, Ph.D.
Anotace
V originále
While storing invoice content as metadata to avoid paper document processing may be the future trend, almost all of daily issued invoices are still printed on paper or generated in digital formats such as PDFs. In this paper, we introduce the OCRMiner system for information extraction from scanned document images which is based on text analysis techniques in combination with layout features to extract indexing metadata of (semi-)structured documents. The system is designed to process the document in a similar way a human reader uses, i.e. to employ different layout and text attributes in a coordinated decision. The system consists of a set of interconnected modules that start with (possibly erroneous) character-based output from a standard OCR system and allow to apply different techniques and to expand the extracted knowledge at each step. Using an open source OCR, the system is able to recover the invoice data in 90% for English and in 88% for the Czech set.
Návaznosti
LM2018101, projekt VaV |
| ||
MUNI/A/1195/2021, interní kód MU |
|