[发明专利]版式文档中复合图的提取装置和提取方法

说明书

本发明提供了一种版式文档中复合图的提取装置，包括：文档解析单元，对版式文档进行解析，确定构成所述版式文档的图元及所述图元的类型；图层生成单元，提取文字图元以构成文字图层，并利用其余的非文字图元构成非文字图层；版面分析单元，分别对文字图层和非文字图层进行版面分析处理；区块生成单元，生成文字图层中的文字区块和非文字图层中的图像区块；关联区块确定单元，确定与每个图像区块相关联的文字区块，以合并为复合图区块；标识存储单元，存储复合图区块包含的所有图元的标识。本发明还提出了一种版式文档中复合图的提取方法。通过本发明的技术方案，可以在复杂的文档版面布局中，尤其是图文混排版面中，实现对复合图的准确提取。

技术领域

本发明涉及电子文档格式转换技术领域，具体而言，涉及一种版式文档中复合图的提取装置和一种版式文档中复合图的提取方法。

背景技术

将纸张文档转换为电子文档，大多采用扫描仪扫描或者相机拍摄的方式，获取文档的数字图像，对其进行一系列图像处理后，将字符切分出来，输入OCR（OpticalCharacter Recognition，光学字符识别）系统。而由文档处理软件，如排版软件，直接生成的版式文档，正在取代从纸质文档转化而来的图像文档成为数字出版物的主要文档来源。

结构信息的自动提取，主要包括版面分析和版面理解，其研究皆停留在图像文档版面的物理结构的提取，而针对通过OCR转化或者直接生成的版式文档的研究才刚刚起步。文档版面布局的复杂性和多样性导致插图的准确分割成为公开性难题，尤其是文字环绕型的插图。另外，版式文档中，复合图都由多个子图像、大量路径操作、文字图元等子对象构成，不能在逆向工程的版面结构分析中作为复合图的完整体被正确的提取出来。因而版式文档不仅在描述上要大量路径来描述，造成很大程度的冗余，更不利于版式文档流式重排时复合图的正常显示，难以满足日益增长数字化阅读的现实需求。

因此，需要一种新的版式文档中复合图的提取技术，可以在复杂的文档版面布局中，尤其是图文混排版面中，实现对复合图的准确提取。

发明内容

本发明正是基于上述问题，提出了一种新的版式文档中复合图的提取技术，可以在复杂的文档版面布局中，尤其是图文混排版面中，实现对复合图的准确提取。

有鉴于此，本发明提出了一种版式文档中复合图的提取装置，包括：文档解析单元，用于对所述版式文档进行解析，确定构成所述版式文档的图元及所述图元的类型；图层生成单元，用于提取文字图元以构成文字图层，并利用其余的非文字图元构成非文字图层；版面分析单元，用于分别对所述文字图层和所述非文字图层进行版面分析处理；区块生成单元，用于根据所述版面分析单元的版面分析处理结果，生成所述文字图层中的文字区块和所述非文字图层中的图像区块；关联区块确定单元，用于确定与每个所述图像区块相关联的文字区块，以合并为复合图区块；标识存储单元，用于存储所述复合图区块包含的所有图元的标识。

在该技术方案中，通过对版式文档进行解析后，将得到的图元分别构成文字图层（包含文字图元）和非文字图层（包含图像图元等），然后分别对每个图层进行区块分类，最终利用区块之间的关系判定复合图区块，以实现对复合图区块的分割，并确保对文字图元和非文字图元的妥善处理。在生成多个图层时，具体地，可以先提取所有的文字图元以形成文字图层，然后将文字图元过滤以利用剩余的元素构成非文字图元。本方案可以对图文混排、包含图像和图注信息等复杂情况进行有效地分析，从而准确地分割出其中的复合图区块。复合图区块中可以包含一个或多个复合图，还可以包含复合图中或周围的图注等文字。通过记录所有构成该复合图区块的图元的标识，如图元ID，从而能够利用这些图元ID来对应出该复合图区块，实现了将该区块与整个版面的分离，方便进行流式重排等处理。