[发明专利]一种版面分析方法及系统

摘要

本发明提供一种版面分析方法及系统，包括提取过程、静态区域对象图元收集过程、分析次序确定过程以及逻辑段落分析过程，所述逻辑段落分析过程包括字符分析过程、逻辑连接边生成过程、成行分析过程、成段分析过程、段落结果筛选过程、动态区域对象图元收集过程以及移除过程。采用逻辑参考信息与基本图元数据信息结合的方式，并在版面分析过程中充分利用这部分逻辑参考消息，从而得到更准确的版面文档的版面分析结果，有效的改进了版式文档的版面分析结果。

主权项

一种版面分析方法，其特征在于，包括如下过程：获取版式文档的逻辑段落信息，每个段落的逻辑参考信息包括按照逻辑顺序排列的字符对象、动态区域对象、静态区域对象，并获取当前页面基本图元数据作为待分析基本图元数据；针对静态区域对象进行图元收集，针对字符对象通过字符分析、成行分析、成段分析、段落结果筛选后进行图元收集，针对动态区域对象进行图元收集，完成待分析基本图元数据的图元收集；所述针对字符对象通过字符分析、成行分析、成段分析、段落结果筛选后进行图元收集，针对动态区域对象进行图元收集，完成待分析基本图元数据的图元收集的过程，通过逻辑段落的分析完成，其中对每个逻辑段落进行逻辑分析的具体过程包括：字符分析过程包括：过滤当前页面内的全部字符基本图元，只保留与当前逻辑段落中字符编码相同的字符基本图元作为备选字符基本图元；逻辑连接边生成过程包括：根据当前逻辑段落中两两字符的逻辑次序关系，将备选字符基本图元中分别与当前逻辑段落中的两个相连字符相同的基本图元全部连接，生成逻辑连接边；成行分析过程包括：对逻辑连接边进行过滤和聚类分析，获得逻辑段落内的最终行单元信息；成段分析过程包括：对全部最终行单元按照版面物理位置关系以及行逻辑文本字符串与目标逻辑段落逻辑文本字符串的匹配程度进行聚类分析，对被聚集到同一个类中的最终行单元进行合并，并做行版面分析排序，生成一个段落单元；段落结果筛选过程包括：将分析得到的全部备选段落单元与目标逻辑段落进行准确匹配与非准确匹配，获得命中段落单元。