[发明专利]一种智能解析PDF图文的方法

权利要求书

1.一种智能解析PDF图文的方法，其特征在于，具体按照以下步骤实施：

步骤1，对输入文档进行数据处理，得到待处理图像；

步骤2，采用分类器提取待处理图像中的目标图像；

步骤3，采用角点对目标图像进行检测，判断箭头方向；

步骤4，采用OCR技术与步骤3所得出的箭头方向判断目标图像的多重竖直情况，获得解析后的股权关系。

2.根据权利要求1所述的一种智能解析PDF图文的方法，其特征在于，所述步骤1具体为：

在客户端网页输入系统文档A，经过筛选条件函数T(x)将其转化为B＝T(A)，再经过图片转换函数F(x)转化为C＝F(B)；具体表达式如下：

式(1)中，B为筛选后文件，C为图片集合。

3.根据权利要求2所述的一种智能解析PDF图文的方法，其特征在于，所述步骤2具体为：

在C的基础上采用分类器寻找所需的图像，记为通过对D_p图形定位出所需目标，记为目标图像具体为：

式(2)、(3)中，D_p为股权关系流程图，n1为所有含流程图图像的PDF文档集合，n2为单页PDF文档中所含流程图的总数，Arq为每张流程图中箭头数量，i为变量。

4.根据权利要求3所述的一种智能解析PDF图文的方法，其特征在于，所述分类器的表达式为：

式(4)中，m为分类器的种类，k为同种分类器所训练模型的个数，S为分类器。

5.根据权利要求4所述的一种智能解析PDF图文的方法，其特征在于，所述分类器包括支持向量机、线性判断分析、朴素贝叶斯、Logit模型-最大似然估计、感知元或决策树。

6.根据权利要求3所述的一种智能解析PDF图文的方法，其特征在于，所述步骤3具体为：

采用角点检测目标图像所具有的角点，记为其中，Pi为目标图像所具角点个数，并返回P_i相应的坐标E_i，在规定误差δ(x)范围内通过判断E_i的X与Y坐标位置来确定方框的从属关系；

具体表述如下：

按照竖直关系将Ei存储到两个列表当中，完整箭头图像具有尾部连接持股方，头部指向被控股方的特征，将列表中大点距值作为头部，小点距值作为尾部，然后根据两个列表中的竖直坐标方向来判断箭头方向，表达式如下：

式(5)中，E_iY、E_jY分别为所识别角点的Y坐标；

判断箭头方向的结论为：

若满足N_i＞N_j，可得出N_i所在竖直列表的方向即是箭头所指方向；其中，N_i为E_iY相差范围在δ(x)内角点的数量，N_j为E_jY相差范围在δ(x)内角点的数量。

7.根据权利要求6所述的一种智能解析PDF图文的方法，其特征在于，所述角点检测的方法包括KLT算子、Harris角点算法、Kitchen-Rosenfeld算法或SUSAN算法。

8.根据权利要求6所述的一种智能解析PDF图文的方法，其特征在于，所述步骤4具体为：

步骤4.1，将图像经过膨胀与腐蚀处理R(x)后，

使文字变成块区域Q_i，从而识别整块区域的轮廓，获得矩形框，然后返回Sq_i相对应的四个角点坐标；表达式如下：

式(6)中，Q_i为块区域，R为文字块区域定位操作函数，Sq_i为块区域的矩形框；

步骤4.2，根据步骤4.1及结论判断竖直位置的箭头指向。