一种数字报刊版面信息的自动提取方法

摘要

本发明涉及计算机信息处理领域的模式识别技术，具体涉及一种数字报刊版面信息的自动提取方法。本发明首先对版面中独立的文字进行合并，将其组织成为若干个内容块，然后根据相关内容在报纸版面上的位置与语义信息，自动提取版面上的出版日期、版次、版名数据，通过简单、方便的自动化操作，提高了大量版面数据成批处理时的处理效率，在减轻工作人员劳动强度的同时，也使得数字报刊的标引工作更加快捷、准确。

主权项

一种数字报刊版面信息的自动提取方法，包括如下步骤：(1)对版面中独立的文字进行合并，将其组织成为若干个内容块；(2)根据可能包含所需版面信息的位置筛选出候选内容块；(3)根据日期内容的特征筛选步骤(2)中获得的候选内容块，判断其是否为包含出版日期的内容块，并对包含出版日期的内容块进行提取；判断是否为包含出版日期的内容块时，先进行粗匹配，然后进行细匹配，如果细匹配不成功，则使用一般匹配规则，在匹配的结果中选择位置最靠顶部的内容块；若候选内容块均不符合日期内容的特征判断条件，则将所有候选内容块进行合并，再根据日期内容的特征对合并后的内容块进行判断；(4)根据版次内容的特征筛选步骤(2)中获得的候选内容块，判断其是否为包含版次的内容块，并对包含版次的内容块进行提取；(5)根据版名内容的特征筛选步骤(2)中获得的候选内容块，判断其是否为包含版名的内容块，并对包含版名的内容块进行提取；如果存在多个包含版名内容特征的候选内容块，则选择垂直位置最高的内容块。