[发明专利]一种文档正文识别方法及装置

说明书

本申请公开一种文档正文识别方法和装置，所述方法包括：确定待识别页中的所有元素；遍历所述待识别页中的所有元素，并尝试一一抛弃；确定实际抛弃元素；将所述实际抛弃元素抛弃；计算剩余元素的平均密度；判断所述剩余元素的平均密度是否大于或等于预设平均密度阈值；若是，则将所述剩余元素作为正文区元素；若否，则返回所述遍历所述待识别页中的所有元素，并尝试一一抛弃的步骤。本发明充分利用正文元素之间的距离间距较小，平均密度较大，而非正文元素与正文元素之间的距离较大，使得正文元素和非正文元素的整体平均密度较小的原理，从而通过抛弃非正文元素，得到正文元素，使得正文元素识别准确度较高。

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区域、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。

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识别方案。

发明内容

有鉴于此，本发明提供一种文档正文识别方法及装置，以实现准确识别文档正文区域，为文档排版转换提供基础。

为实现上述目的，本发明提供如下技术方案：

一种文档正文识别方法，包括：

确定待识别页中的所有元素；

遍历所述待识别页中的所有元素，并尝试一一抛弃；

确定实际抛弃元素；

将所述实际抛弃元素抛弃；

计算剩余元素的平均密度；

判断所述剩余元素的平均密度是否大于或等于预设平均密度阈值；

若是，则将所述剩余元素作为正文区元素；

若否，则返回所述遍历所述待识别页中的所有元素，并尝试一一抛弃的步骤。

优选地，所述确定实际抛弃元素，具体包括：

计算每一个元素被抛弃后的密度增益；

比较所有所述密度增益的大小；

将所述密度增益最大值对应的元素作为实际抛弃元素。

优选地，所述计算每一个元素被抛弃后的密度增益，具体包括：

当抛弃一个元素后，计算剩余所有元素的平均密度；

将所述剩余所有元素的平均密度，减去抛弃所述一个元素前的平均密度，得到一个元素被抛弃后的密度增益。

优选地，在所述将所述实际抛弃元素抛弃之前还包括：计算所述待识别页中所有元素的平均密度，作为初始平均密度。

优选地，所述确定待识别页中的所有元素，具体包括：

确定所述待识别页中的所有元素所占区域；

将所述所有元素所占区域黑块化处理，确定所述待识别页中的所有元素。

本发明还提供一种文档正文识别装置，包括：

元素确定单元，用于确定待识别页中的所有元素；