[发明专利]一种基于版式文件处理大文件的方法

权利要求书

1.一种基于版式文件处理大文件的方法，其特征在于，该方法包括以下步骤：

获取大文件的每页子文件的可视化图像，所述可视化图像包括多个语义元素；对每页子文件进行解析获取每个语义元素的位置索引；

对可视化图像中的文本数据进行分词处理并获取每个词的重要程度；同时对可视化图像进行语义分割，获取分割图像，所述分割图像包括前景区域和背景区域；

对于分割图像的每个语义元素，获取前景区域中的图像数据与背景区域的第一差异，以及文本数据与背景区域的第二差异，根据所述第二差异以及所有词的重要程度平均值获取每个语义元素中的文本优先级，根据第一差异和文本优先级获取每个语义元素的显著度；

按照显著度的大小将每页子文件的所有语义元素依次传输至客户端，以使客户端根据所述位置索引对其进行元素组装；

所述对可视化图像中的文本数据进行分词处理并获取每个词的重要程度，包括：

提取可视化图像中的文本数据，利用数据库对其进行分词，得到词语集合，计算每个词的词频、包含该词的段数以及当前页子文件的总段数，进而获取该词的重要程度；

所述第一差异的获取方法为：

将所述可视化图像转换为CIELAB颜色空间，利用色差公式获取每个语义元素内前景中每个图像像素与所述背景区域的颜色平均LAB值之间的第一色差，以该语义元素中的第一色差平均值作为所述第一差异；

所述第二差异的获取方法为：

获取每个语义元素内前景中每个文本像素与所述背景区域的颜色平均LAB值之间的第二色差，将其进行排序得到色差序列，检测色差序列中的变点，利用变点将所述色差序列切割为多个子序列，依据所有第二色差的平均色差以及变点前后的子序列平均色差获取所述第二差异。

2.根据权利要求1所述的一种基于版式文件处理大文件的方法，其特征在于，所述文本优先级的获取方法为：

对于每个语义元素的文本数据，以所有词的重要程度的平均值作为该语义元素的文本重要程度，以文本重要程度和第二差异的乘积作为所述文本优先级。

3.根据权利要求1所述的一种基于版式文件处理大文件的方法，其特征在于，所述第二差异的获取方法该包括：

获取每个变点对应的前后两个子序列的平均序列色差的差值绝对值作为变点对应的序列差值，为所有第二色差的平均色差赋予第一权重，为所有变点对应的序列差值的和赋予第二权重，以两者的加权求和结果作为所述第二差异。

4.根据权利要求1所述的一种基于版式文件处理大文件的方法，其特征在于，所述元素组装包括：

按照传输顺序依次在语义元素的位置索引处显示对应内容，直至当前页子文件显示完全。

5.根据权利要求1所述的一种基于版式文件处理大文件的方法，其特征在于，该方法还包括以下步骤：

当客户端查看大文件时，优先传输客户端跳转页面对应的子文件，次优传输该跳转页面相邻页面对应的子文件；当客户端仅传输大文件时，按照页码顺序传输子文件。