[發明專利]一種版面信息識別的方法及裝置

有效

• 申請號: 201010193898.0
• 申請日: 2010-05-28
• 公開（公告）號: CN102262618A
• 公開（公告）日: 2011-11-30
• 發明（設計）人: 高良才;湯幟;房婧;仇睿恒
• 申請（專利權）人: 北京大學;北大方正集團有限公司;北京北大方正技術研究院有限公司
• 主分類號: G06F17/22
• 分類號: G06F17/22;G06F17/27
• 代理公司: 北京天昊聯合知識產權代理有限公司 11112
• 代理人: 陳源;羅建民

1.一種改進版面閱讀順序識別效果的方法，包括以下步驟：

讀取待識別版面，分離該版面中的字符文本對象與圖像對象，并將字符文本對象合并成文本塊，將圖像對象保留為圖像塊；

從合并的文本塊中識別出圖注文本塊；

利用優化方法對圖像塊和圖注文本塊進行最優匹配，從而獲得相關聯的圖像塊與圖注文本塊；

從所述版面的文本塊中去掉圖注文本塊，并確定其余文本塊和圖像塊的閱讀順序；

在閱讀順序中將圖注文本塊插回到相關聯的圖像塊之后。

2.根據權利要求1所述的方法，其特征在于，利用優化方法使實現最優匹配的圖像塊和圖注文本塊之間的距離之和最小。

3.根據權利要求1或2所述的方法，其特征在于，根據文檔布局結構分析方法和/或根據數字文檔中的數據對象類型來分離字符文本對象與圖像對象。

4.根據權利要求1或2所述的方法，其特征在于，根據以下中的至少一種來識別圖注文本塊：文本塊的字體屬性、文本塊與圖像塊的距離、文本塊的字數、文本塊是否符合圖注的表現形式。

5.根據權利要求4所述的方法，其特征在于，通過以下步驟來識別圖注文本塊：

計算字號置信度Q1，其中，Q1為當前文本塊主要字體的字號與版面內所有字符文本的主要字體的字號之比；

計算距離圖像置信度Q2，其中，Q2表示是否與圖像塊距離接近；

計算字數置信度Q3，其中，Q3為當前文本塊中的文字個數與版面文本塊的平均文字個數之比；

計算表現形式置信度Q4，其中，Q4表示是否符合圖注的正則表達式；

加權計算總體置信度R，其中，R＝(u×Q1+v×Q2+w×Q3+x×Q4)/(u+v+w+x)，其中，u，v，w，x表示加權系數，均為自然數；

判斷總體置信度R是否超過閾值r，如果R≥r，則判斷當前文本塊為圖注文本塊，如果R＜r，則判斷當前文本塊不是圖注文本塊。

6.根據權利要求1或2所述的方法，其特征在于，所述優化方法為二分圖最優匹配方法，該方法包括以下步驟：

構造帶權二分圖，該二分圖以圖像塊和圖注文本塊作為二分圖的兩個子集合，以圖像塊外接矩形框的中心點和圖注文本塊外接矩形框的中心點的歐式距離作為二分圖中邊的權值；

利用二分圖最優匹配方法獲得最優匹配的圖像塊與圖注文本塊。

7.根據權利要求6所述的方法，其特征在于，將所述二分圖中邊的權值取反，并利用Kuhn-Munkras最大權匹配算法進行最優完備匹配，從而獲得具有最小權匹配結果的圖像與圖注文本塊作為最優匹配的圖像塊與圖注文本塊。

8.根據權利要求6所述的方法，其特征在于，當版面上的圖像塊與圖注文本塊的數目不是一一對應時，用虛擬節點將數目少的子集合補齊，并賦予一個大數作為虛擬邊的權值。

9.根據權利要求1或2所述的方法，其特征在于，輸出以下中的至少一種：閱讀順序、圖像塊與圖注文本塊的關聯關系、識別的圖注文本塊、按照識別的閱讀順序排列的文本塊和圖像塊。

10.一種識別圖注的方法，包括以下步驟：

讀取待識別版面，分離該版面中的字符文本對象與圖像對象，并將字符文本對象合并成文本塊，將圖像對象保留為圖像塊；

利用以下中的至少一種從合并的文本塊中識別出圖注文本塊：文本塊的字體屬性、文本塊與圖像塊的距離、文本塊的字數、文本塊的表現形式，

而且，優選地通過以下步驟來識別圖注文本塊：

計算字號置信度Q1，其中，Q1為當前文本塊主要字體的字號與版面內所有字符文本的主要字體的字號之比；

計算距離圖像置信度Q2，其中，Q2表示是否與圖像塊距離接近；

計算字數置信度Q3，其中，Q3為當前文本塊中的文字個數與版面文本塊的平均文字個數之比；

計算表現形式置信度Q4，其中，Q4表示是否符合圖注的正則表達式；

加權計算總體置信度R，其中，R＝(u×Q1+v×Q2+w×Q3+x×Q4)/(u+v+w+x)，其中，u，v，w，x表示加權系數，均為自然數；

判斷總體置信度R是否超過閾值r，如果R≥r，則判斷當前文本塊為圖注文本塊，如果R＜r，則判斷當前文本塊不是圖注文本塊。