[发明专利]一种识别PDF文档中图表的方法

摘要

本发明涉及一种识别PDF文件中图表的方法。该方法包括，步骤1读取并记录PDF格式标准中所有文字和绘图对象的区域信息，即位置坐标及宽高构成的矩形；步骤2计算文字对象的字符密度，统计平均字符密度d和方差 v，最小字符宽w和高h；步骤3过滤不合规绘图对象，如果矩形面积为零则区域向外扩展探测；步骤4遍历绘图对象，如果与其他对象矩形相交则合并区域为新绘图对象并记录字符数，直到所有范围不再变化；步骤5计算每个绘图对象的字符密度D，如果D值在[d ‑ v,d + v]区间外，则判定该对象为图表，对应矩形范围即图表所在区域。本发明能够识别文档中的图表及其位置，为提取、分析等后续处理做准备。

主权项

一种识别PDF文件中图表的方法，其特征在于，该方法包括：步骤1：遍历文件数据，记录PDF格式标准中所有文字和绘图 （路径、剪辑、位图）对象的区域信息，表示为该对象位置坐标及宽高参数构成的矩形；步骤2：计算每个文字对象的字符密度（字符数除以矩形面积），统计所有文字对象的平均字符密度d和方差 v，最小字符宽w和高h；步骤3：过滤不合规绘图对象，条件包括矩形超出页面内容边界或其他自定条件，如果矩形面积为零，则绘图区域水平和垂直方向各扩大w/2和h/2；步骤4：遍历绘图对象，如果与其他对象（文字或绘图）矩形相交则合并区域为新绘图对象并记录字符数，直到所有范围不再变化；步骤5：计算每个绘图对象的字符密度D，如果D值在 (d‑v, d+v) 区间外，则判定该对象为图表，对应矩形范围即图表所在区域；其中，在所述步骤5之后，还包括步骤6：读取已识别图表绘图区域正上方或下方的文字，如果发现指定关键字，则确定该文字段落为题注、表注或图注，也属于图表的一部分；关键字视文档类型和语言而定，如“Figure”、“图”、“Table”、“表”等等。