[发明专利]一种PDF文档乱码的检测、校正的方法

摘要

本发明公开了一种PDF文档乱码的检测、校正的方法，包括提取PDF文档内所有字体特征；根据字体特征将字体分为正常字体、乱码字体和待定字体；提取待定字体中字符的点阵图像，并基于图像统计特征的乱码检测算法计算点阵图像与对应编码的相似度，根据相似度判断待定字体中的正常字符或乱码字符；将所述待定字体中的乱码字符和乱码字体中的乱码字符进行纵向和横向编改校正；通过校正结果修正PDF文档，去除乱码字符。本发明采用字体特征和字符的图像特征相结合的方式实现了乱码的自动检测，纵向和横向编改相结合减少了乱码校正的人工耗时，有效地去除了乱码，排除了乱码对后续碎片化加工的干扰，提高了加工效率和质量，降低了加工成本。

主权项

一种PDF文档乱码的检测、校正的方法，其特征在于，所述方法包括：提取PDF文档内所有字体特征；根据字体特征将字体分为正常字体、乱码字体和待定字体；提取待定字体中字符的点阵图像，并基于图像统计特征的乱码检测算法计算点阵图像与对应编码的相似度，根据相似度判断待定字体中的正常字符或乱码字符；将所述待定字体中的乱码字符和乱码字体中的乱码字符进行纵向和横向编改校正；通过校正结果修正PDF文档，去除乱码字符；所述字体特征包括：字体类型、字体编码方式、是否存在当前编码与标准码之间的映射关系、是否为内嵌字体；所述图像统计特征的乱码检测算法包括：图像特征提取算法、统计模型的参数估算方法和图像特征匹配算法；所述纵向编改校正是将不同字体的相同字符汇集到一起，集中批量进行修改；所述横向编改校正是将相同字体的不同字符汇集到一起，图文对照进行修改；所述的用校正结果修正PDF文档是采用以字体为单位，用校正结果建立或更新PDF文档内嵌字体下所有字符的当前编码与标准编码之间的映射表，以去除乱码字符。