[发明专利]一种文档正文区域识别方法及装置

说明书

本申请公开了一种文档正文区域识别方法及装置，方法包括：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。由此可见，本申请对文档内容元素所占区域及非内容元素所占区域进行不同透明度处理，并将文档的各页进行叠加，根据叠加后文档展示页面中各像素点的透明度值分布状态，确定文档正文区域，充分利用正文区域多页叠加后透明度值与其它非正文区域多页叠加后透明度值的不同，正文区域识别准确度高。

技术领域

本申请涉及文档处理技术领域，更具体地说，涉及一种文档正文区域识别方法及装置。

背景技术

一份文档一般都是分页的，每页除了正文还可以存在页眉、页脚区域，以及左右两侧存在文档注解区域。

文档在不同分辨率的设备上进行显示时，需要根据设备的分辨率对文档进行排版的转换，即将文档按照目标显示设备的分辨率，转换成对应分辨率下的文档。现有文档转换的方式是获取原文档的内容，然后按照目标分辨率重新排版，生成新的文档。现有方法并未考虑文档内容类型的不同，因此重新排版后会出现正文内容与其它内容排版混乱的问题。参见图1a和图1b，图1a中示例了原文档显示界面，图1b为按照现有技术重新排版后的展示页面。对比可以看出，重新排版后正文内容与页眉和页脚内容混乱在一起。

由此可见，准确识别文档正文区域，对文档排版转换的准确度至关重要，现有技术亟需一种文档正文区域识别方案。

发明内容

有鉴于此，本申请提供了一种文档正文区域识别方法及装置，以实现准确识别文档正文区域，为文档排版转换提供基础。

为了实现上述目的，现提出的方案如下：

一种文档正文区域识别方法，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。

优选地，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。

优选地，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。

优选地，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；