[发明专利]文件中图片标注信息识别方法、装置及服务器

权利要求书

1.一种文件中图片标注信息识别方法，包括：

对文件中的文本对象进行文字样式聚类分析，得到具有不同文字样式的多个第一文本对象集合；

从多个第一文本对象集合中过滤掉正文文本对象集合；

遍历文件的所有页面，查询到所有页面中包含图片的图片页面；

针对每个图片页面，筛选得到至少一个第二文本对象集合；

针对每一个第二文本对象集合，对属于该第二文本对象集合对应的文字样式的文本对象进行有效性验证，判断该文字样式是否是图片标注信息的文字样式，若没通过有效性验证，则将属于该文字样式的第二文本对象集合过滤掉；

从未被过滤掉的第二文本对象集合中提取出文本对象，根据文本对象与图片的相对位置关系确定文本对象与图片的关联关系；

其中，所述针对每个图片页面，筛选得到至少一个第二文本对象集合进一步包括：

针对每个图片页面，判断包含图片与过滤掉正文文本对象集合后的文本对象的最小矩形区域中是否覆盖了其他文本对象，若是，则将该文本对象所属的文本对象集合确定为非图片标注信息的文本对象集合，并将第一文本对象集合中除非图片标注信息的文本对象集合之外的文本对象集合确定为第二文本对象集合。

2.根据权利要求1所述的方法，其中，所述针对每个图片页面，筛选得到至少一个第二文本对象集合进一步包括：

针对每个图片页面，将图片页面中文本对象的文字字号与预设字号阈值进行比较，将文字字号小于或等于预设字号阈值的文本对象所属的文本对象集合确定为第二文本对象集合。

3.根据权利要求1或2所述的方法，其中，针对每一个第二文本对象集合，对属于该第二文本对象集合对应的文字样式的文本对象进行有效性验证，判断该文字样式是否是图片标注信息的文字样式，若没通过有效性验证，则将属于该文字样式的第二文本对象集合过滤掉进一步包括：

针对每一个第二文本对象集合，判断包含属于该第二文本对象集合对应的文字样式的文本对象的页面是否都包含图片；

若否，则将属于该文字样式的第二文本对象集合过滤掉，并将该第二文本对象集合确定为非图片标注信息的文本对象集合。

4.根据权利要求1或2所述的方法，其中，针对每一个第二文本对象集合，对属于该第二文本对象集合对应的文字样式的文本对象进行有效性验证，判断该文字样式是否是图片标注信息的文字样式，若没通过有效性验证，则将属于该文字样式的第二文本对象集合过滤掉进一步包括：

针对每一个第二文本对象集合，判断包含属于该第二文本对象集合对应的文字样式的文本对象但未包含图片的页面占包含属于该文字样式的文本对象的所有页面的页面比率是否小于或等于预设阈值；

若否，则将属于该文字样式的第二文本对象集合过滤掉，并将该第二文本对象集合确定为非图片标注信息的文本对象集合。

5.根据权利要求1或2所述的方法，其中，针对每一个第二文本对象集合，对属于该第二文本对象集合对应的文字样式的文本对象进行有效性验证，判断该文字样式是否是图片标注信息的文字样式，若没通过有效性验证，则将属于该文字样式的第二文本对象集合过滤掉进一步包括：

针对每一个第二文本对象集合，在包含图片和属于该第二文本对象集合对应的文字样式的文本对象的每一页中，判断包含图片与属于该文字样式的文本对象的最小矩形区域中是否覆盖了其他文本对象；

若是，则将属于该文字样式的第二文本对象集合过滤掉，并将该第二文本对象集合确定为非图片标注信息的文本对象集合。

6.根据权利要求1或2所述的方法，其中，所述从未被过滤掉的第二文本对象集合中提取出文本对象，根据文本对象与图片的相对位置关系确定文本对象与图片的关联关系进一步包括：

针对未被过滤掉的第二文本对象集合中的文本对象，计算各个文本对象所在页面中各个文本对象和此页面中所有图片之间的距离，并记录文本对象、图片和距离的对应关系；

根据计算的距离，选择距离最小的文本对象和图片，将文本对象与图片相关联。