一种文档正文识别方法及装置制造方法及图纸

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。本发明专利技术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。

【技术实现步骤摘要】
一种文档正文识别方法及装置
本申请涉及文档处理
，更具体地说，涉及一种文档正文识别方法及装置。
技术介绍
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。
技术实现思路
有鉴于此，本专利技术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，本专利技术提供如下技术方案：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；本文档来自技高网...

【技术保护点】
一种文档正文识别方法，其特征在于，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。

【技术特征摘要】
1.一种文档正文识别方法，其特征在于，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。2.根据权利要求1所述的文档正文识别方法，其特征在于，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。3.根据权利要求2所述的文档正文识别方法，其特征在于，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。4.根据权利要求1所述的文档正文识别方法，其特征在于，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。5.根据权利要求1所述的文档正文识别方法，其特征在于，所述确定待识别页中的...

【专利技术属性】
技术研发人员：徐佳宏，朱吕亮，
申请(专利权)人：深圳市茁壮网络股份有限公司，
类型：发明
国别省市：广东,44