[发明专利]一种反解版式文件后得到的图片和图说的自动关联方法

说明书

技术领域

本发明属于信息处理技术领域，具体涉及一种反解版式文件后得到的图 片和图说的自动关联方法。

背景技术

中国专利申请(申请号：200710179938.4；公开日期：2008.06.25)公 开了“一种基于PDF的复杂版面的标引方法”，该方法能够从版式文件中提 取到文字块的集合。文字块中包含了相应的文字内容，字号大小，字体名称 以及该文字块的区域位置信息，并通过区域位置计算得到文字信息的排版类 型。文字信息的排版类型一般有以下几种：从左到右的竖排、从右到左的竖 排、竖排无方向、从左到右的横排、从右到左的横排等。根据文字块的字号 大小标定文字块的属性为标题或正文，以及文字块的序号等。然而，该方法 没有获取图片块，以及图片块与对应的图片文字说明(即图说)之间的关联 关系，需要人工进行关联操作，工作量大，效率低。

中国专利申请(申请号：200610112710.9；公开日期：2007.02.14)公 开了“一种提取见报资料数据信息的方法”，该方法能够根据版式文件的版 面信息结构来提取版式文件中的数据，并通过版式文件的版面信息和稿件区 域信息自动提取出稿件间的关联关系。这种方法的缺点是：版式文件必须存 储稿件内部之间的关联关系，如果版式文件没有存储稿件内部之间的关联关 系，则这种方法就失去了效用。

发明内容

针对现有技术中存在的缺陷，本发明的目的是提供一种反解版式文件后 得到的图片和图说的自动关联方法，该方法能够实现将反解任何版式文件后 获得的图片与该图片的图说自动关联起来，减少人工操作工作量，提高效率。

为了实现上述目的，本发明采用的技术方案为：一种反解版式文件后得 到的图片和图说的自动关联方法，包括以下步骤：

(1)从反解版式文件后得到的文字块集合{S}中取出一个未被取出过的 属性为正文的文字块；

(2)在反解版式文件后得到的图片块集合{P}中查找与步骤(1)中取出 的文字块近邻的图片块，如果没有一个图片块与该文字块近邻，则转至步骤 (3)，如果仅有一个图片块与该文字块近邻，则将此文字块作为该图片块的 候选图说，如果有两个或两个以上的图片块与该文字块近邻，则筛选出位置 最好的图片块，将此文字块作为该图片块的候选图说；

(3)重复以上步骤，直到文字块集合{S}中的所有文字块被取出一次；

(4)确定图片块集合{P}中每一个图片块的图说；如果一个图片块的候 选图说仅有一个，则将该候选图说作为该图片块的图说；如果一个图片块的 候选图说为多个，则筛选出最合适的候选图说作为该图片块的图说。

如上所述的一种反解版式文件后得到的图片和图说的自动关联方法，步 骤(2)中在图片块集合{P}中查找与文字块近邻的图片块的方法为：判断图 片块与文字块是否在水平方向上或者在竖直方向上近邻，如果在水平方向上 或者在竖直方向上近邻，则图片块与文字块近邻。

如上所述的一种反解版式文件后得到的图片和图说的自动关联方法，其 中，所述的判断图片块与文字块是否在水平方向上或者在竖直方向上近邻的 方法包括以下步骤：

假设文字块左上角点坐标为(X₁，Y₁)、右下角点坐标为(X₁′，Y₁′)，图片 块左上角点坐标为(X₂，Y₂)，右下角点坐标为(X₂′，Y₂′)；文字块的宽度W＝ X₁′-X₁，图片块的宽度W′＝X₂′-X₂；文字块的高度H＝Y₁′-Y₁，图片块的高 度H′＝Y₂′-Y₂；所有文字块的字号的平均值为AvgFontSize；图说与图片 块之间的有效距离DistThreshold＝C₁*AvgFontSize，其中C₁为文字块与图片 块之间的间距系数，1＜C₁＜5；下述min函数表示取两者的较小值，max函 数表示取两者的较大值，D为延伸距离，0≤D≤10，单位为磅；

①计算图片块与文字块的重叠度：

在水平方向上的重叠度OverlapX的计算公示为