[发明专利]一种多页面版式文档的版心识别及对齐方法

权利要求书

1.一种多页版式文档的版心识别及对齐方法，其特征是，包括以下步骤：步骤一、解析版式文件，逐页获取页面中文字内容的包围矩阵；步骤二、根据版心的统计数据，对文档进行划分；步骤三、对文档进行奇偶页检查，进行奇偶页偏移计算；步骤四、最后对整个文档的对齐调整；最终形成一个版心对齐的多页版式文件。

2.根据权利要求1所述一种多页版式文档的版心识别及对齐方法，其特征是；所述步骤一的具体步骤如下：解析版式文件，逐页获取页面中文字内容的包围矩阵；页面的包围矩阵记为：content box(x0，y0，x1，y1)，分别为页面文字内容的左边界、上边界、右边界和下边界。

3.根据权利要求1所述一种多页版式文档的版心识别及对齐方法，其特征是；所述步骤二的具体步骤如下：对文档每个页面的左边界x0，右边界x1和宽度x1-x0分别进行统计：奇数页左边界、偶数页左边界；奇数页右边界、偶数页右边界；页宽；对每一个统计项按照数值区间进行统计，落入最多的数值区间作为文档的当前统计项的数值区间；对各统计项的数据区间的样本统计，计数最大的统计项作为当前文档的划分项；对文档进行划分，划分过程中，如果少量数值，不符合划分依据，作为噪声数据跳过；否则，在此页面对文档进行划分，得到一个划分结果；对于未划分的部分，重复进行本节的第二步，直到文档全部划分完成，其中的每一个部分，至少具有一个相同的统计项。

4.根据权利要求1所述一种多页版式文档的版心识别及对齐方法，其特征是；所述步骤三的具体步骤如下：对每一个文档划分内的页面，分为奇数页、偶数页两部分；分别统计奇数页、偶数页的左边界、页宽和右边界；如果此文档划分内的所有页面的左边界符合奇偶页的分布特征，则按照左边界的奇偶页分布特征进行奇偶页偏移计算；如果此文档划分内的所有页面右边界符合奇偶页的分布特征，则按照右边界的奇偶页分布特征进行奇偶页偏移计算；如果此文档划分内的页面不符合奇偶页的分布特征，则此划分内的所有页面都不进行X轴偏移计算。

5.根据权利要求1所述一种多页版式文档的版心识别及对齐方法，其特征是；所述步骤四的具体步骤如下：如果此文档没有进行文档划分，则不进行对齐调整，否则，对此文档的每一个文档划分，和相邻的文档划分进行对齐调整：如果此文档划分内页数少于两页，则将当前页和下一个文档划分的相隔页进行比较；如果此文档划分内页数少于两页，并且下一个文档划分没有奇偶偏移，则将当前页和上一个文档划分的相隔页进行比较；如果此文档划分内页数少于两页，并且和相邻的文档划分的隔页都没有相似的特征，则将此文档划分和相邻文档划分按照左边界对齐进行调整；如果此文档划分内页数大于两页，并且下一个文档划分少于两页，按照第二步的方式进行处理；如果此文档划分内页数大于两页，并且下一个文档划分页大于两页，则将此文档划分和相邻文档划分按照左边界对齐进行调整。