[发明专利]一种版面信息识别的方法及装置

权利要求书

1.一种改进版面阅读顺序识别效果的方法，包括以下步骤：

读取待识别版面，分离该版面中的字符文本对象与图像对象，并将字符文本对象合并成文本块，将图像对象保留为图像块；

从合并的文本块中识别出图注文本块；

利用优化方法对图像块和图注文本块进行最优匹配，从而获得相关联的图像块与图注文本块；

从所述版面的文本块中去掉图注文本块，并确定其余文本块和图像块的阅读顺序；

在阅读顺序中将图注文本块插回到相关联的图像块之后。

2.根据权利要求1所述的方法，其特征在于，利用优化方法使实现最优匹配的图像块和图注文本块之间的距离之和最小。

3.根据权利要求1或2所述的方法，其特征在于，根据文档布局结构分析方法和/或根据数字文档中的数据对象类型来分离字符文本对象与图像对象。

4.根据权利要求1或2所述的方法，其特征在于，根据以下中的至少一种来识别图注文本块：文本块的字体属性、文本块与图像块的距离、文本块的字数、文本块是否符合图注的表现形式。

5.根据权利要求4所述的方法，其特征在于，通过以下步骤来识别图注文本块：

计算字号置信度Q1，其中，Q1为当前文本块主要字体的字号与版面内所有字符文本的主要字体的字号之比；

计算距离图像置信度Q2，其中，Q2表示是否与图像块距离接近；

计算字数置信度Q3，其中，Q3为当前文本块中的文字个数与版面文本块的平均文字个数之比；

计算表现形式置信度Q4，其中，Q4表示是否符合图注的正则表达式；

加权计算总体置信度R，其中，R＝(u×Q1+v×Q2+w×Q3+x×Q4)/(u+v+w+x)，其中，u，v，w，x表示加权系数，均为自然数；

判断总体置信度R是否超过阈值r，如果R≥r，则判断当前文本块为图注文本块，如果R＜r，则判断当前文本块不是图注文本块。

6.根据权利要求1或2所述的方法，其特征在于，所述优化方法为二分图最优匹配方法，该方法包括以下步骤：

构造带权二分图，该二分图以图像块和图注文本块作为二分图的两个子集合，以图像块外接矩形框的中心点和图注文本块外接矩形框的中心点的欧式距离作为二分图中边的权值；

利用二分图最优匹配方法获得最优匹配的图像块与图注文本块。

7.根据权利要求6所述的方法，其特征在于，将所述二分图中边的权值取反，并利用Kuhn-Munkras最大权匹配算法进行最优完备匹配，从而获得具有最小权匹配结果的图像与图注文本块作为最优匹配的图像块与图注文本块。

8.根据权利要求6所述的方法，其特征在于，当版面上的图像块与图注文本块的数目不是一一对应时，用虚拟节点将数目少的子集合补齐，并赋予一个大数作为虚拟边的权值。

9.根据权利要求1或2所述的方法，其特征在于，输出以下中的至少一种：阅读顺序、图像块与图注文本块的关联关系、识别的图注文本块、按照识别的阅读顺序排列的文本块和图像块。

10.一种识别图注的方法，包括以下步骤：

读取待识别版面，分离该版面中的字符文本对象与图像对象，并将字符文本对象合并成文本块，将图像对象保留为图像块；

利用以下中的至少一种从合并的文本块中识别出图注文本块：文本块的字体属性、文本块与图像块的距离、文本块的字数、文本块的表现形式，

而且，优选地通过以下步骤来识别图注文本块：

计算字号置信度Q1，其中，Q1为当前文本块主要字体的字号与版面内所有字符文本的主要字体的字号之比；

计算距离图像置信度Q2，其中，Q2表示是否与图像块距离接近；

计算字数置信度Q3，其中，Q3为当前文本块中的文字个数与版面文本块的平均文字个数之比；

计算表现形式置信度Q4，其中，Q4表示是否符合图注的正则表达式；

加权计算总体置信度R，其中，R＝(u×Q1+v×Q2+w×Q3+x×Q4)/(u+v+w+x)，其中，u，v，w，x表示加权系数，均为自然数；

判断总体置信度R是否超过阈值r，如果R≥r，则判断当前文本块为图注文本块，如果R＜r，则判断当前文本块不是图注文本块。