一种期刊图案编辑中的矢量元素识别方法与流程

本发明涉及期刊排版与图形处理，具体涉及一种针对期刊图案中矢量元素的自动识别、分类、去重与智能布局推荐方法，适用于在版面编辑过程中快速定位、分类与复用可编辑的矢量对象。

背景技术：

1、期刊编辑中常使用包含徽标、标题框、装饰线条、图表组件、分隔符、角标、背景纹理单元等矢量元素的图案。在编辑工作中，编辑人员需要频繁地跨期号、跨版面复用或替换这些矢量元素，以保持期刊版式的一致性与品牌辨识度。然而，在实际编辑流程中，存在以下技术问题：

2、变换不变性识别困难：矢量元素在被编辑过程中经常经历旋转、等比例缩放、不等比缩放、镜像翻转与平移等变换。现有技术（如cn109992822a）通常采用位图模板匹配或简单的几何包围盒比对，无法在矢量元素经历复杂变换后仍保持精准识别，导致同一元素被重复创建或无法被定位。

3、语义鸿沟问题：几何形状相近但编辑功能不同的矢量元素（如“章节分隔线”与“表格边框”）在几何特征上高度相似，现有技术仅依赖几何属性或人工特征工程，无法实现从几何形态到编辑语义的跨层次分类。

4、布局上下文无感知：现有识别方法仅关注单个元素的检测与匹配，未能利用已识别元素之间的空间布局关系来推断缺失的配套元素，编辑人员仍需手动逐一查找与补齐配套元素。

技术实现思路

1、本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本技术的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

2、针对现有技术缺陷，本发明提出了一种系统性的解决方案，通过构建具有变换不变性的矢量指纹、基于拓扑图的图卷积神经网络语义分类模型以及上下文感知的布局推荐引擎，实现了高精度、高效率的矢量元素智能识别与编辑辅助。

3、具体的，本发明提供如下技术方案：一种期刊图案编辑中的矢量元素识别方法，包括如下步骤：步骤s1：解析期刊图案文件，递归展开所有分组结构与包裹结构，解除锁定图层与蒙版，对每个基础图元对象提取其几何路径数据、填充属性、描边属性、变换矩阵以及层叠深度与绘制顺序信息，构建初阶元数据池；步骤s2：对每个图元对象的路径执行等弧长重采样，在路径上等间距取256个采样点后计算每个采样点处的离散曲率值，得到曲率序列；对曲率序列执行离散傅里叶变换，提取前32个非零频率分量的幅度值后执行范数归一化，得到32维主形状特征向量；计算每个采样点相对于对象包围盒中心的径向距离，计算径向距离序列的标准差与一阶自相关系数后组合为2维辅助位移特征向量；将填充色与描边色由rgb色彩空间转换至hsv色彩空间后量化编码，得到颜色编码；将主形状特征向量、辅助位移特征向量与颜色编码通过哈希函数映射为128位二进制矢量指纹；步骤s3：采用多哈希表局部敏感哈希算法对所有矢量指纹进行索引，将落入同一哈希桶内的指纹对计算二进制汉明距离，以汉明距离小于设定阈值的标准判定为形状相似实例后进行minhash签名压缩与密度聚类，将聚类簇内的实例判定为重复实例后选择簇中层叠深度最小且绘制顺序最早的对象作为代表性模板，并记录其包围盒位置信息；步骤s4：将代表性模板的路径转换为拓扑图，以路径交点与端点为节点、路径段为边，提取节点特征与边特征后输入预训练的图卷积神经网络，经多层均值聚合与全局读出后通过全连接层与softmax函数输出语义类别概率，以概率最大值所在类别作为该模板的语义类别；步骤s5：构建包含语义类别哈希索引、minhash签名空间索引与位置序列空间索引的三层索引结构知识库，每个条目存储模板的矢量指纹、包围盒尺寸与历史出现记录；步骤s6：对新期刊图案执行步骤s1与步骤s2后，利用知识库索引匹配相似模板以生成精确定位推荐，同时将新图案中已识别对象按空间位置构建布局图，采用子图同构匹配算法检索知识库中拓扑相似的历史布局图，推断缺失的配套元素以生成布局互补推荐。

4、作为本发明所述的期刊图案编辑中的矢量元素识别方法的一种优选方案，其中：步骤s2中所述离散曲率的计算方式为：对第j个采样点，计算其与前后两个相邻采样点所构成的两个弦的方向角之差，再除以等弧长步长，得到该点处的离散曲率值。

5、作为本发明所述的期刊图案编辑中的矢量元素识别方法的一种优选方案，其中：步骤s2中所述范数归一化的方式为：将32个幅度值分别除以该32个幅度值平方和的开方值。

6、作为本发明所述的期刊图案编辑中的矢量元素识别方法的一种优选方案，其中：步骤s2中所述径向距离序列的标准差的计算方式为：计算所有径向距离的均值，对每个径向距离减去该均值后平方求和再除以采样点数，对该值取平方根；所述一阶自相关系数的计算方式为：将所有径向距离减去均值后得到偏差序列，计算偏差序列与其滞后一位序列的乘积之和除以偏差序列的平方和；所述组合的方式为：将标准差的自然对数与自相关系数组合为2维向量。

7、作为本发明所述的期刊图案编辑中的矢量元素识别方法的一种优选方案，其中：步骤s2中所述颜色编码的生成方式为：将填充色与描边色的rgb色值归一化后按标准转换公式计算色相、饱和度与明度分量，将色相以10度为间隔分为36个量化区间、饱和度与明度各均匀分为4个量化区间后得到量化结果，将填充色与描边色的量化结果拼接为二进制颜色编码。

8、作为本发明所述的期刊图案编辑中的矢量元素识别方法的一种优选方案，其中：步骤s3中所述多哈希表局部敏感哈希算法的具体方式为：设置20个哈希表，每个哈希表使用6个随机超平面，对每个矢量指纹在20个哈希表中分别随机选取6个位作为哈希键，将指纹分配至对应哈希桶中；所述汉明距离的设定阈值为19位。

9、作为本发明所述的期刊图案编辑中的矢量元素识别方法的一种优选方案，其中：步骤s3中所述minhash签名压缩的具体方式为：将128位矢量指纹中二进制位为1的位置索引视为一个集合，使用64个独立随机排列函数对该集合的每个索引进行重排，取每个排列后的最小值作为该排列对应的哈希值，共得64个哈希值组成64位minhash签名；所述密度聚类采用dbscan算法，以jaccard距离为度量，半径参数设为0.25，最小邻接样本点数设为2。

10、作为本发明所述的期刊图案编辑中的矢量元素识别方法的一种优选方案，其中：步骤s4中所述节点特征包括归一化坐标、离散曲率值、节点度与节点类型共5个特征，所述边特征包括归一化边长、方向角与描边类型共3个特征；所述图卷积神经网络采用三层结构，每一层采用均值聚合函数对节点自身及其邻居节点的嵌入向量进行聚合后施加relu激活函数，三层输出维度分别为64、128与256；所述全局读出方式为对第三层输出的所有节点嵌入向量取逐维平均值得到全局图向量。

11、作为本发明所述的期刊图案编辑中的矢量元素识别方法的一种优选方案，其中：步骤s5中所述三层索引结构的具体方式为：第一层为以语义类别标识为键、该类下所有模板标识列表为值的哈希索引；第二层为以64维minhash签名为键的kd-tree空间索引；第三层为以模板包围盒中心坐标为键、存储历史位置序列的r-tree空间索引。

12、作为本发明所述的期刊图案编辑中的矢量元素识别方法的一种优选方案，其中：步骤s6中所述布局互补推荐的具体方式为：以新图案中每个已识别对象的包围盒中心为节点、以节点间欧氏距离小于页面宽度或高度的一半为连边条件、以距离倒数为边权重构建布局图；采用vf2子图同构匹配算法变种在知识库第三层索引中检索与布局图拓扑相似的历史布局图，限定节点语义类别完全匹配、边距离允许正负百分之三十的相对容差；对每个匹配的历史布局图，提取其包含但新图案布局图中缺失的子图结构所对应的模板，按匹配度数降序排列后取前三个作为推荐。

13、本发明提供一种期刊图案编辑中的矢量元素识别方法，具备如下有益效果：

14、使被旋转、缩放、镜像的矢量元素被准确识别，无需依赖原始变换状态；

15、从几何形状直接推断编辑用途，大量减少人工标注工作；

16、自动聚类重复创建的元素，提取唯一模板；

17、基于历史上下文自动推荐缺失元素，提升排版一致性与效率。