[发明专利]一种文档正文区域识别方法及装置

权利要求书

1.一种文档正文区域识别方法，其特征在于，包括：

确定待识别文档的各页中，内容元素所占区域；

将各页中内容元素所占区域的透明度设置为第一透明度值，非内容元素所占区域的透明度设置为第二透明度值；

将所述待识别文档的各页对齐叠加，得到叠加后的文档展示页面；

根据所述文档展示页面中各像素点的透明度值分布状态，识别文档正文所处的区域。

2.根据权利要求1所述的方法，其特征在于，所述将各页中内容元素所占区域的透明度设置为第一透明度值，非内容元素所占区域的透明度设置为第二透明度值，包括：

将表征完全不透明的透明度值，除以所述待识别文档的总页数，得到第一透明度值；

将各页中内容元素所占区域的透明度设置为所述第一透明度值，非内容元素所占区域的透明度设置为第二透明度值，所述第二透明度值为表征完全透明的透明度值。

3.根据权利要求1所述的方法，其特征在于，所述根据所述文档展示页面中各像素点的透明度值分布状态，识别文档正文所处的区域，包括：

将所述文档展示页面沿竖直方向，以像素点为单位分行，得到多行；

对每一行计算各像素点的透明度值的平均值，得到各行的平均透明度值；

以行高作为横坐标，各行的平均透明度值作为纵坐标，绘制第一曲线图；

根据第一曲线图中波峰分布状态，识别文档正文所处区域的行高范围。

4.根据权利要求3所述的方法，其特征在于，所述根据所述文档展示页面中各像素点的透明度值分布状态，识别文档正文所处的区域，还包括：

将所述文档展示页面沿水平方向，以像素点为单位分列，得到多列；

对每一列计算各像素点的透明度值的平均值，得到各列的平均透明度值；

以列宽作为横坐标，各列的平均透明度值作为纵坐标，绘制第二曲线图；

根据第二曲线图中波峰的分布状态，识别文档正文所处区域的列宽范围。

5.根据权利要求3所述的方法，其特征在于，所述根据第一曲线图中波峰分布状态，识别文档正文所处区域的行高范围，包括：

判断所述第一曲线图的两端是否存在偏离中心峰群的离群峰；

若所述第一曲线图两端均存在离群峰，则根据两端的离群峰对应的行高，确定文档正文所处区域的行高范围；

若所述第一曲线图两端均不存在离群峰，则根据所述中心峰群两侧的边缘峰对应的行高，确定文档正文所处区域的行高范围；

若所述第一曲线图仅一端存在离群峰，则根据离群峰对应的行高以及中心峰群的远离离群峰一侧的边缘峰对应的行高，确定文档正文所处区域的行高范围。

6.根据权利要求4所述的方法，其特征在于，所述根据第二曲线图中波峰的分布状态，识别文档正文所处区域的列宽范围，包括：

判断所述第二曲线图的两端是否存在偏离中心峰群的离群峰；

若所述第二曲线图两端均存在离群峰，则根据两端的离群峰对应的列宽，确定文档正文所处区域的列宽范围；

若所述第二曲线图两端均不存在离群峰，则根据所述中心峰群两侧的边缘峰对应的列宽，确定文档正文所处区域的列宽范围；

若所述第二曲线图仅一端存在离群峰，则根据离群峰对应的列宽以及中心峰群的远离离群峰一侧的边缘峰对应的列宽，确定文档正文所处区域的列宽范围。

7.一种文档正文区域识别装置，其特征在于，包括：

内容区域确定单元，用于确定待识别文档的各页中，内容元素所占区域；

透明度设置单元，用于将各页中内容元素所占区域的透明度设置为第一透明度值，非内容元素所占区域的透明度设置为第二透明度值；

文档页叠加单元，用于将所述待识别文档的各页对齐叠加，得到叠加后的文档展示页面；

正文区域识别单元，用于根据所述文档展示页面中各像素点的透明度值分布状态，识别文档正文所处的区域。