CN113392811A - 一种表格提取方法、装置、电子设备及存储介质 - Google Patents
一种表格提取方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113392811A CN113392811A CN202110772650.8A CN202110772650A CN113392811A CN 113392811 A CN113392811 A CN 113392811A CN 202110772650 A CN202110772650 A CN 202110772650A CN 113392811 A CN113392811 A CN 113392811A
- Authority
- CN
- China
- Prior art keywords
- table picture
- text
- block
- picture
- character
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000605 extraction Methods 0.000 title claims abstract description 46
- 238000012545 processing Methods 0.000 claims abstract description 134
- 238000012015 optical character recognition Methods 0.000 claims abstract description 53
- 238000000034 method Methods 0.000 claims description 29
- 238000001914 filtration Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 12
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 230000000694 effects Effects 0.000 abstract description 2
- 238000004891 communication Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Character Input (AREA)
Abstract
本公开提供了一种表格提取方法、装置、电子设备及存储介质,涉及人工智能技术领域,尤其涉及自动识别技术。具体实现方案为:对表格图片进行光学字符识别,得到表格图片的光学字符识别结果;其中,光学字符识别结果包括:表格图片中的至少一个文字块的内容以及该至少一个文字块中各个文字块的坐标;基于表格图片的光学字符识别结果,对表格图片进行结构化处理,得到表格图片的结构化处理结果;基于表格图片的结构化处理结果,提取出表格图片中的表格。本公开可以在扭曲或者歪斜的图片中提取出表格,无需获取原始图像,同时还可以提升表格结构化的效果。
Description
技术领域
本公开涉及人工智能技术领域,进一步涉及自动识别技术,尤其是一种表格提取方法、装置、电子设备及存储介质。
背景技术
在对表格图片进行光学字符识别(Optical Character Recognition,简称OCR)时,经常会面临一个影响表格提取的因素,就是因拍照角度导致的图片扭曲或者歪斜。拍照件和扫描件的不同就在于,扫描件的结果基本上是一个方方正正的图像,而拍照件尤其是现在常用手机拍照,因为位置和角度的关系,导致表格图片难以是一个方方正正的表格,经常会出现梯形样式的表格,这样普通的歪斜难以进行矫正,即使进行旋转,因本身就是梯形表格,单纯的旋转是没有用的。
在对这种因拍照角度导致其中表格行列坐标无法对齐的图片进行处理时,相关技术大部分都是需要先对表格图片进行矫正,然后再对校正后的表格图片中的表格进行行列对齐。但是对表格图片进行矫正需要先获取到原始图像,然而在某些业务场景下可能无法获取到原始图像信息,因此无法对表格图片进行矫正,从而无法在表格图片中提取出表格。
发明内容
本公开提供了一种表格提取方法、装置、电子设备以及存储介质。
第一方面,本公开提供了一种表格提取方法,所述方法包括:
对表格图片进行光学字符识别,得到所述表格图片的光学字符识别结果;其中,所述光学字符识别结果包括:所述表格图片中的至少一个文字块的内容以及所述至少一个文字块中各个文字块的坐标;
基于所述表格图片的光学字符识别结果,对所述表格图片进行结构化处理,得到所述表格图片的结构化处理结果;
基于所述表格图片的结构化处理结果,提取出所述表格图片中的表格。
第二方面,本公开提供了一种表格提取装置,所述装置包括:识别模块、结构化处理模块和提取模块;其中,
所述识别模块,用于对表格图片进行光学字符识别,得到所述表格图片的光学字符识别结果;其中,所述光学字符识别结果包括:所述表格图片中的至少一个文字块的内容以及所述至少一个文字块中各个文字块的坐标;
所述结构化处理模块,用于基于所述表格图片的光学字符识别结果,对所述表格图片进行结构化处理,得到所述表格图片的结构化处理结果;
所述提取模块,用于基于所述表格图片的结构化处理结果,提取出所述表格图片中的表格。
第三方面,本公开实施例提供了一种电子设备,包括:
一个或多个处理器;
存储器,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现本公开任意实施例所述的表格提取方法。
第四方面,本公开实施例提供了一种存储介质,其上存储有计算机程序,该程序被处理器执行时实现本公开任意实施例所述的表格提取方法。
第五方面,提供了一种计算机程序产品,当所述计算机程序产品被计算机设备执行时实现本公开任意实施例所述的表格提取方法。
根据本公开的技术解决了在某些业务场景下可能无法获取到原始图像,无法对表格图片进行矫正,从而无法在表格图片中提取出表格的技术问题,本公开提供的技术方案,可以在扭曲或者歪斜的图片中提取出表格,无需获取原始图像,同时还可以提升表格结构化的效果。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1是本公开实施例提供的表格提取方法的第一流程示意图;
图2是本公开实施例提供的表格提取方法的第二流程示意图;
图3是本公开实施例提供的表格提取方法的第三流程示意图;
图4是本公开实施例提供的表格提取装置的结构示意图;
图5是用来实现本公开实施例的表格提取方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
实施例一
图1是本公开实施例提供的表格提取方法的流程示意图,该方法可以由表格提取装置或者电子设备来执行,该装置或者电子设备可以由软件和/或硬件的方式实现,该装置或者电子设备可以集成在任何具有网络通信功能的智能设备中。如图1所示,表格提取方法可以包括以下步骤:
S101、对表格图片进行光学字符识别,得到表格图片的光学字符识别结果;其中,光学字符识别结果包括:表格图片中的至少一个文字块的内容以及该至少一个文字块中各个文字块的坐标。
在本步骤中,电子设备可以对表格图片进行光学字符识别,得到表格图片的光学字符识别结果;其中,光学字符识别结果包括:表格图片中的至少一个文字块的内容以及该至少一个文字块中各个文字块的坐标。可选地,各个文字块的坐标可以包括:各个文字块的四个顶点在X轴方向上的坐标和在Y轴方向上的坐标;其中,四个顶点包括:左上角顶点、左下角顶点、右上角顶点和右下角顶点。
S102、基于表格图片的光学字符识别结果,对表格图片进行结构化处理,得到表格图片的结构化处理结果。
在本步骤中,电子设备可以基于表格图片的光学字符识别结果,对表格图片进行结构化处理,得到表格图片的结构化处理结果。可选地,电子设备可以先提取出各个文字块的四个顶点在X轴方向上的坐标和在Y轴方向上的坐标;其中,四个顶点包括:左上角顶点、左下角顶点、右上角顶点和右下角顶点;然后基于各个文字块的四个顶点在X轴方向上的坐标和在Y轴方向上的坐标,将表格图片中的表格进行列对齐处理,得到表格图片的列对齐处理结果;再基于表格图片的列对齐处理结果,对表格图片中的表格进行行对齐处理,得到表格图片的行对齐处理结果;并将表格图片的行对齐处理结果作为表格图片的结构化处理结果。
S103、基于表格图片的结构化处理结果,提取出表格图片中的表格。
在本步骤中,电子设备可以基于表格图片的结构化处理结果,提取出表格图片中的表格。可选地,电子设备可以在结构化处理结果依次提取出每一列和每一行,并将提取出的每一列进行列对齐处理,将提取出的每一行进行行对齐处理,从而得到表格图片中的表格。
本公开实施例提出的表格提取方法,先对表格图片进行光学字符识别,得到表格图片的光学字符识别结果;然后基于表格图片的光学字符识别结果,对表格图片进行结构化处理,得到表格图片的结构化处理结果;再基于表格图片的结构化处理结果,提取出表格图片中的表格。也就是说,本公开可以无需先获取到原始的表格图片,也无需对该原始的表格图片进行矫正,即可在表格图片中提取出表格。而在现有的表格提取方法中,大部分都是需要先对表格图片进行矫正,然后再对校正后的表格图片中的表格进行行列对齐。因为本公开采用了先对表格图片进行光学字符识别,再对表格图片进行结构化处理的技术手段,克服了在某些业务场景下可能无法获取到原始图像,无法对表格图片进行矫正,从而无法在表格图片中提取出表格的技术问题,本公开提供的技术方案,可以在扭曲或者歪斜的图片中提取出表格,无需获取原始图像,同时还可以提升表格结构化的效果;并且,本公开实施例的技术方案实现简单方便、便于普及,适用范围更广。
实施例二
图2是本公开实施例提供的表格提取方法的第二流程示意图。基于上述技术方案进一步优化与扩展,并可以与上述各个可选实施方式进行结合。如图2所示,表格提取方法可以包括以下步骤:
S201、对表格图片进行光学字符识别,得到表格图片的光学字符识别结果;其中,光学字符识别结果包括:表格图片中的至少一个文字块的内容以及该至少一个文字块中各个文字块的坐标。
S202、提取出各个文字块的四个顶点在X轴方向上的坐标和在Y轴方向上的坐标;其中,四个顶点包括:左上角顶点、左下角顶点、右上角顶点和右下角顶点。
在本步骤中,电子设备可以提取出各个文字块的四个顶点在X轴方向上的坐标和在Y轴方向上的坐标;其中,四个顶点包括:左上角顶点、左下角顶点、右上角顶点和右下角顶点。可选地,每一个文字块可以由左上角顶点、左下角顶点、右上角顶点和右下角顶点这四个顶点确定出位置;假设这四个顶点分别为:A、B、C、D;其中,A的坐标为(x1,y1);B的坐标为(x2,y2);C的坐标为(x3,y3);D的坐标为(x4,y4)。此外,电子设备还可以基于各个文字块的四个顶点在X轴方向上的坐标和在Y轴方向上的坐标,计算出各个文字块的中心点的坐标。
S203、基于各个文字块的四个顶点在X轴方向上的坐标和在Y轴方向上的坐标,将表格图片中的表格进行列对齐处理,得到表格图片的列对齐处理结果。
在本步骤中,电子设备可以基于各个文字块的四个顶点在X轴方向上的坐标和在Y轴方向上的坐标,将表格图片中的表格进行列对齐处理,得到表格图片的列对齐处理结果。可选地,电子设备可以先基于各个文字块的左上角顶点在X轴方向上的坐标,对全部文字块进行排序,得到全部文字块的排序结果;然后基于全部文字块的排序结果以及各个文字块的四个顶点在X轴方向上的坐标和在Y轴方向上的坐标,计算全部文字块中每两个文字块在Y轴方向上的重合度;再根据全部文字块中每两个文字块在Y轴方向上的重合度,得到各个文字块的左边文本框标识和右边文本框标识;最后根据各个文字块的左边文本框标识和右边文本框标识,得到表格图片的列对齐处理结果。本公开实施例中的左边文本框标识指的是:位于当前文本块左边的文字块的唯一编号;左边文本框标识指的是:位于当前文本块右边的文字块的唯一编号。例如,对于文字块A、文字块B和文字块C;对于文字块A、文字块B和文字块C;假设它们的排序结果为:文字块A、文字块B和文字块C,即文字块A位于文字块B的左边;文字块B位于文字块A和文字块C的中间;文字块C位于文字块B的右边。那么,文字块B的左边文本框标识为文字块A的唯一编号;文字块B的右边文本框标识为文字块C的唯一编号。
在本公开的实施例中,电子设备可以根据全部文字块中每两个文字块在Y轴方向上的重合度,得到各个文字块的左边文本框标识和右边文本框标识。例如,对于文字块A、文字块B和文字块C;对于文字块A、文字块B和文字块C;假设它们的排序结果为:文字块A、文字块B和文字块C,即文字块A位于文字块B的左边;文字块B位于文字块A和文字块C的中间;文字块C位于文字块B的右边。电子设备可以分别计算文字块A和文字块B在Y轴方向上的重合度,文字块B和文字块C在Y轴方向上的重合度,以及文字块A和文字块C在Y轴方向上的重合度。当全部文字块中每两个文字块在Y轴方向上的重合度大于或者等于预定阈值时,可以确定这两个文字块是相邻的两个文字块;当全部文字块中每两个文字块在Y轴方向上的重合度小于预定阈值时,可以确定这两个文字块是不相邻的两个文字块。假设文字块A和文字块B在Y轴方向上的重合度大于预定阈值,则可以确定文字块A和文字块B是相邻的两个文字块;并且基于上述的排序结果可知文字块A位于文字块B的左边,因此,可以确定文字块B的左边文本框标识即为文字块A的唯一编号。再假设文字块B和文字块C在Y轴方向上的重合度大于预定阈值,则可以确定文字块B和文字块C是相邻的两个文字块;并且基于上述的排序结果可知文字块C位于文字块B的右边,因此,可以确定文字块B的右边文本框标识即为文字块C的唯一编号。
可选地,针对某一个文字块,如果与该文字块在Y轴方向上的重合度大于预定阈值的文字块只有唯一一个时,可以将该唯一一个文字块确定为与该文字块相邻的文字块。如果与该文字块在Y轴方向上的重合度大于预定阈值的文字块有两个或者两个以上时,可以将这两个或者两个以上中重合度最大的一个文字块确定为与该文字块相邻的文字块。
可选地,电子设备可以在全部文字块中选取其左边文本框标识为空的文字块,作为表格图片的左侧表头候选集中的文字块;然后对左侧表头候选集中的各个文字块进行过滤处理,得到左侧表头候选集的过滤处理结果;再基于左侧表头候选集的过滤处理结果以及各个文字块的右边文本框标识,得到表格图片的列对齐处理结果。本公开实施例中的过滤处理指的是:在左侧表头候选集中选择出可以作为左侧表头中的文字块的操作。左侧表头候选集中的文字块可以被选择作为左侧表头中的文字块,也可以不被选择作为左侧表头中的文字块。因此,电子设备需要对左侧表头候选集进行过滤处理,得到左侧表头中的各个文字块。例如,对于左侧表头候选集中的某一个文字块,如果它左边没有文字块,那么该文字块就会被选择;如果它左边有文字块,那么该文字块就不会被选择。本公开实施例在对左侧表头候选集中的各个文字块进行遍历时,可以针对每一个文字块依次判断它左边有没有文字块;如果它左边没有文字块,那么该文字块就会被选择;如果它有文字块,那么该文字块就不会被选择。
可选地,电子设备可以将左侧表头候选集的过滤处理结果中的各个文字块进行列对齐,作为表格图片的第一列的各个文字块;然后基于表格图片的第一列的各个文字块的右边文本框标识,得到表格图片的第二列的各个文字块;再基于表格图片的第一列的各个文字块和表格图片的第二列的各个文字块,得到表格图片中的其余各列的各个文字块。在本公开实施例中,如果某一个文字块的左边文本框标识为空,那么该文字块可以作为表格图片的左侧表头候选集中的文字块。即本公开实施例中的左侧表头可以理解为表格图片中的表格的第一列。而本公开实施例中的左侧表头候选集可以理解为是可能会被选择作为左侧表头中的文字块所组成的集合。即左侧表头候选集中的文字块可以被选择作为左侧表头中的文字块,也可以不被选择作为左侧表头中的文字块。因此,电子设备需要对左侧表头候选集进行过滤处理,得到表格图片的第一列的各个文字块。例如,假设文字块A为左侧表头中的一个文字块,基于该文字块的右边文本框标识,可以确定该文字块右边的一个文字块;因此,基于左侧表头中的每一个文字块的右边文本框标识,可以得到表格图片中的第二列的各个文字块。接着,在确定表格图片中的第三列的各个文字块时,电子设备可以基于第一列的各个文字块以及第二列的文字块,得到表格图片中的第三列的各个文字块。可选地,电子设备可以根据第一列与第二列对应的文字块的倾斜角度,将第三列与第二列对应的文本块在Y轴上对齐,对齐逻辑为:基于每行的倾斜角度,选择在Y轴上重合度最大的文字块。基于上述方式即可得到表格图片中的其余各列的各个文字块。
S204、基于表格图片的列对齐处理结果,对表格图片中的表格进行行对齐处理,得到表格图片的行对齐处理结果;并将表格图片的行对齐处理结果作为表格图片的结构化处理结果。
在本步骤中,电子设备可以基于表格图片的列对齐处理结果,对表格图片中的表格进行行对齐处理,得到表格图片的行对齐处理结果;并将表格图片的行对齐处理结果作为表格图片的结构化处理结果。可选地,电子设备可以在表头字典中选取表格图片的至少一个表头;基于该至少一个表头中的各个表头的四个顶点在X轴方向上的坐标和在Y轴方向上的坐标,依次得到表格图片中的表格的每一行的各个文字块;再将表格图片中的表格的每一行的全部文字块进行对齐处理,得到所述表格图片的行对齐处理结果。本公开实施例中的表头字典为表格图片中的表格的第一行的文字块。例如,假设某一个表格图片中的表格的第一行的文字块包括:记账日期、货币、交易金额、联机余额等,那么由这些文字块即可组成本公开实施例中的表头字典。本公开实施例中的表头字典,可以是一个预先设置的数据库,也可以是是针对表格的具体需求建立的一个数据库。例如,某一个表格的字段需要包括字段A、字段B和字段C;那么可以组建一个包括字段A、字段B和字段C的数据库作为表头字典。
可选地,针对某一个文字块,如果与该文字块在X轴方向上的重合度大于预定阈值的文字块只有唯一一个时,可以将该唯一一个文字块确定为与该文字块在同一列的文字块。如果与该文字块在X轴方向上的重合度大于预定阈值的文字块有两个或者两个以上时,可以将这两个或者两个以上中重合度最大的一个文字块确定为与该文字块在同一列的文字块。
S205、基于表格图片的结构化处理结果,提取出表格图片中的表格。
本公开实施例提出的表格提取方法,先对表格图片进行光学字符识别,得到表格图片的光学字符识别结果;然后基于表格图片的光学字符识别结果,对表格图片中进行结构化处理,得到表格图片的结构化处理结果;再基于表格图片的结构化处理结果,提取出表格图片中的表格。也就是说,本公开可以无需先获取到原始的表格图片,也无需对该原始的表格图片进行矫正,即可在表格图片中提取出表格。而在现有的表格提取方法中,大部分都是需要先对表格图片进行矫正,然后再对校正后的表格图片中的表格进行行列对齐。因为本公开采用了先对表格图片进行光学字符识别,再对表格图片进行结构化处理的技术手段,克服了在某些业务场景下可能无法获取到原始图像,无法对表格图片进行矫正,从而无法在表格图片中提取出表格的技术问题,本公开提供的技术方案,可以在扭曲或者歪斜的图片中提取出表格,无需获取原始图像,同时还可以提升表格结构化的效果;并且,本公开实施例的技术方案实现简单方便、便于普及,适用范围更广。
实施例三
图3是本公开实施例提供的表格提取方法的第三流程示意图。基于上述技术方案进一步优化与扩展,并可以与上述各个可选实施方式进行结合。如图3所示,表格提取方法可以包括以下步骤:
S301、对表格图片进行光学字符识别,得到表格图片的光学字符识别结果;其中,光学字符识别结果包括:表格图片中的至少一个文字块的内容以及该至少一个文字块中各个文字块的坐标。
S302、提取出各个文字块的四个顶点在X轴方向上的坐标和在Y轴方向上的坐标;其中,四个顶点包括:左上角顶点、左下角顶点、右上角顶点和右下角顶点。
S303、基于各个文字块的左上角顶点在X轴方向上的坐标,对全部文字块进行排序,得到全部文字块的排序结果。
在本步骤中,电子设备可以基于各个文字块的左上角顶点在X轴方向上的坐标,对全部文字块进行排序,得到全部文字块的排序结果。可选地,如果某两个文字块的左上角顶点在X轴方向上的坐标相同,可以按照从前往后的顺序对这两个文字块依次排序。
S304、基于各个文字块的四个顶点在X轴方向上的坐标和在Y轴方向上的坐标,计算全部文字块中每两个文字块在Y轴方向上的重合度。
在本步骤中,电子设备可以基于各个文字块的四个顶点在X轴方向上的坐标和在Y轴方向上的坐标,计算全部文字块中每两个文字块在Y轴方向上的重合度。可选地,电子设备可以在全部文字块中提取出两个文字块分别作为第一文字块和第二文字块;然后基于第一文字块的四个顶点在X轴方向上的坐标和在Y轴方向上的坐标得到第一文字块的位置;基于第二文字块的四个顶点在X轴方向上的坐标和在Y轴方向上的坐标得到第二文字块的位置;再基于第一文字块的位置和第二文字块的位置计算第一文字块和第二文字块在Y轴方向上的重合度;重复执行上述提取第一文字块和第二文字块的操作;直到计算出全部文字块中每两个文字块在Y轴方向上的重合度。
S305、根据全部文字块中每两个文字块在Y轴方向上的重合度,得到各个文字块的左边文本框标识和右边文本框标识。
在本步骤中,电子设备可以根据全部文字块中每两个文字块在Y轴方向上的重合度,得到各个文字块的左边文本框标识和右边文本框标识。可选地,若每两个文字块在Y轴方向上的重合度大于预定阈值,则将这两个文字块中的一个文字块设置为另外一个文字块的左边文本框标识或者右边文本框标识。可选地,假设这两个文字块分别为第一文字块和第二文字块;如果第一文字块和第二文字块在Y轴方向上的重合度大于预定阈值,并且第一文字块在第二文字块的左边,则将第一文字块设置第二文字块的左边文本框标识;将第二文字块设置第一文字块的右边文本框标识。
S306、基于表格图片的列对齐处理结果,对表格图片中的表格进行行对齐处理,得到表格图片的行对齐处理结果;并将表格图片的行对齐处理结果作为表格图片的结构化处理结果。
S307、基于表格图片的结构化处理结果,提取出表格图片中的表格。
本公开实施例提出的表格提取方法,先对表格图片进行光学字符识别,得到表格图片的光学字符识别结果;然后基于表格图片的光学字符识别结果,对表格图片进行结构化处理,得到表格图片的结构化处理结果;再基于表格图片的结构化处理结果,提取出表格图片中的表格。也就是说,本公开可以无需先获取到原始的表格图片,也无需对该原始的表格图片进行矫正,即可在表格图片中提取出表格。而在现有的表格提取方法中,大部分都是需要先对表格图片进行矫正,然后再对校正后的表格图片中的表格进行行列对齐。因为本公开采用了先对表格图片进行光学字符识别,再对表格图片进行结构化处理的技术手段,克服了在某些业务场景下可能无法获取到原始图像,无法对表格图片进行矫正,从而无法在表格图片中提取出表格的技术问题,本公开提供的技术方案,可以在扭曲或者歪斜的图片中提取出表格,无需获取原始图像,同时还可以提升表格结构化的效果;并且,本公开实施例的技术方案实现简单方便、便于普及,适用范围更广。
实施例四
图4是本公开实施例提供的表格提取装置的结构示意图。如图4所示,所述装置400包括:识别模块401、结构化处理模块402和提取模块403;其中,
所述识别模块401,用于对表格图片进行光学字符识别,得到所述表格图片的光学字符识别结果;其中,所述光学字符识别结果包括:所述表格图片中的至少一个文字块的内容以及所述至少一个文字块中各个文字块的坐标;
所述结构化处理模块402,用于基于所述表格图片的光学字符识别结果,对所述表格图片进行结构化处理,得到所述表格图片的结构化处理结果;
所述提取模块403,用于基于所述表格图片的结构化处理结果,提取出所述表格图片中的表格。
可选地,所述结构化处理模块402,还用于提取出各个文字块的四个顶点在X轴方向上的坐标和在Y轴方向上的坐标;其中,所述四个顶点包括:左上角顶点、左下角顶点、右上角顶点和右下角顶点;基于各个文字块的四个顶点在X轴方向上的坐标和在Y轴方向上的坐标,将所述表格图片中的表格进行列对齐处理,得到所述表格图片的列对齐处理结果;基于所述表格图片的列对齐处理结果,对所述表格图片中的表格进行行对齐处理,得到所述表格图片的行对齐处理结果,并将所述表格图片的行对齐处理结果作为所述表格图片的结构化处理结果。
可选地,所述结构化处理模块402,还用于基于各个文字块的左上角顶点在X轴方向上的坐标,对全部文字块进行排序,得到全部文字块的排序结果;基于全部文字块的排序结果以及各个文字块的四个顶点在X轴方向上的坐标和在Y轴方向上的坐标,计算全部文字块中每两个文字块在Y轴方向上的重合度;根据全部文字块中每两个文字块在Y轴方向上的重合度,得到各个文字块的左边文本框标识和右边文本框标识;根据各个文字块的左边文本框标识和右边文本框标识,得到所述表格图片的列对齐处理结果。
可选地,所述结构化处理模块402,还用于在全部文字块中选取其左边文本框标识为空的文字块,作为所述表格图片的左侧表头候选集中的文字块;对所述左侧表头候选集中的各个文字块进行过滤处理,得到所述左侧表头候选集的过滤处理结果;基于所述左侧表头候选集的过滤处理结果以及各个文字块的右边文本框标识,得到所述表格图片的列对齐处理结果。
可选地,所述结构化处理模块402,还用于将所述左侧表头候选集的过滤处理结果中的各个文字块进行列对齐,作为所述表格图片的第一列的各个文字块;基于所述表格图片的第一列的各个文字块的右边文本框标识,得到所述表格图片的第二列的各个文字块;基于所述表格图片的第一列的各个文字块和所述表格图片的第二列的各个文字块,得到所述表格图片中的其余各列的各个文字块。
可选地,所述结构化处理模块402,还用于在表头字典中选取匹配于所述表格图片中的表格的表头;基于表头的四个顶点在X轴方向上的坐标和在Y轴方向上的坐标,得到所述表格图片中的表格的每一行的各个文字块;将所述表格图片中的表格的每一行的全部文字块进行对齐处理,得到所述表格图片的行对齐处理结果。
上述表格提取装置可执行本公开任意实施例所提供的方法,具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节,可参见本公开任意实施例提供的表格提取方法。
本公开的技术方案中,所涉及的用户个人信息的获取,存储和应用等,均符合相关法律法规的规定,且不违背公序良俗。
实施例五
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图5示出了可以用来实施本公开的实施例的示例电子设备500的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图5所示,设备500包括计算单元501,其可以根据存储在只读存储器(ROM)502中的计算机程序或者从存储单元508加载到随机访问存储器(RAM)503中的计算机程序,来执行各种适当的动作和处理。在RAM 503中,还可存储设备500操作所需的各种程序和数据。计算单元501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
设备500中的多个部件连接至I/O接口505,包括:输入单元506,例如键盘、鼠标等;输出单元507,例如各种类型的显示器、扬声器等;存储单元508,例如磁盘、光盘等;以及通信单元509,例如网卡、调制解调器、无线通信收发机等。通信单元509允许设备500通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元501可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元501的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元501执行上文所描述的各个方法和处理,例如表格提取方法。例如,在一些实施例中,表格提取方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元508。在一些实施例中,计算机程序的部分或者全部可以经由ROM 502和/或通信单元509而被载入和/或安装到设备500上。当计算机程序加载到RAM 503并由计算单元501执行时,可以执行上文描述的表格提取方法的一个或多个步骤。备选地,在其他实施例中,计算单元501可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行表格提取方法。
本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的***和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如,作为数据服务器)、或者包括中间件部件的计算***(例如,应用服务器)、或者包括前端部件的计算***(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将***的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,也可以为分布式***的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (15)
1.一种表格提取方法,所述方法包括:
对表格图片进行光学字符识别,得到所述表格图片的光学字符识别结果;其中,所述光学字符识别结果包括:所述表格图片中的至少一个文字块的内容以及所述至少一个文字块中各个文字块的坐标;
基于所述表格图片的光学字符识别结果,对所述表格图片进行结构化处理,得到所述表格图片的结构化处理结果;
基于所述表格图片的结构化处理结果,提取出所述表格图片中的表格。
2.根据权利要求1所述的方法,其中,所述基于所述表格图片的光学字符识别结果,对所述表格图片进行结构化处理,得到所述表格图片的结构化处理结果,包括:
提取出各个文字块的四个顶点在X轴方向上的坐标和在Y轴方向上的坐标;其中,所述四个顶点包括:左上角顶点、左下角顶点、右上角顶点和右下角顶点;
基于各个文字块的四个顶点在X轴方向上的坐标和在Y轴方向上的坐标,将所述表格图片中的表格进行列对齐处理,得到所述表格图片的列对齐处理结果;
基于所述表格图片的列对齐处理结果,对所述表格图片中的表格进行行对齐处理,得到所述表格图片的行对齐处理结果,并将所述表格图片的行对齐处理结果作为所述表格图片的结构化处理结果。
3.根据权利要求2所述的方法,其中,所述基于各个文字块的四个顶点在X轴方向上的坐标和在Y轴方向上的坐标,将所述表格图片中的表格进行列对齐处理,得到所述表格图片的列对齐处理结果,包括:
基于各个文字块的左上角顶点在X轴方向上的坐标,对全部文字块进行排序,得到全部文字块的排序结果;
基于全部文字块的排序结果以及各个文字块的四个顶点在X轴方向上的坐标和在Y轴方向上的坐标,计算全部文字块中每两个文字块在Y轴方向上的重合度;
根据全部文字块中每两个文字块在Y轴方向上的重合度,得到各个文字块的左边文本框标识和右边文本框标识;
根据各个文字块的左边文本框标识和右边文本框标识,得到所述表格图片的列对齐处理结果。
4.根据权利要求3所述的方法,其中,所述根据各个文字块的左边文本框标识和右边文本框标识,得到所述表格图片的列对齐处理结果,包括:
在全部文字块中选取其左边文本框标识为空的文字块,作为所述表格图片的左侧表头候选集中的文字块;
对所述左侧表头候选集中的各个文字块进行过滤处理,得到所述左侧表头候选集的过滤处理结果;
基于所述左侧表头候选集的过滤处理结果以及各个文字块的右边文本框标识,得到所述表格图片的列对齐处理结果。
5.根据权利要求4所述的方法,其中,所述基于所述左侧表头候选集的过滤处理结果以及各个文字块的右边文本框标识,得到所述表格图片的列对齐处理结果,包括:
将所述左侧表头候选集的过滤处理结果中的各个文字块进行列对齐,作为所述表格图片的第一列的各个文字块;
基于所述表格图片的第一列的各个文字块的右边文本框标识,得到所述表格图片的第二列的各个文字块;
基于所述表格图片的第一列的各个文字块和所述表格图片的第二列的各个文字块,得到所述表格图片中的其余各列的各个文字块。
6.根据权利要求2所述的方法,其中,所述基于所述表格图片的列对齐处理结果,对所述表格图片中的表格进行行对齐处理,得到所述表格图片的行对齐处理结果,包括:
在表头字典中选取匹配于所述表格图片中的表格的表头;
基于表头的四个顶点在X轴方向上的坐标和在Y轴方向上的坐标,得到所述表格图片中的表格的每一行的各个文字块;
将所述表格图片中的表格的每一行的全部文字块进行对齐处理,得到所述表格图片的行对齐处理结果。
7.一种表格提取装置,所述装置包括:识别模块、结构化处理模块和提取模块;其中,
所述识别模块,用于对表格图片进行光学字符识别,得到所述表格图片的光学字符识别结果;其中,所述光学字符识别结果包括:所述表格图片中的至少一个文字块的内容以及所述至少一个文字块中各个文字块的坐标;
所述结构化处理模块,用于基于所述表格图片的光学字符识别结果,对所述表格图片进行结构化处理,得到所述表格图片的结构化处理结果;
所述提取模块,用于基于所述表格图片的结构化处理结果,提取出所述表格图片中的表格。
8.根据权利要求7所述的装置,所述结构化处理模块,还用于提取出各个文字块的四个顶点在X轴方向上的坐标和在Y轴方向上的坐标;其中,所述四个顶点包括:左上角顶点、左下角顶点、右上角顶点和右下角顶点;基于各个文字块的四个顶点在X轴方向上的坐标和在Y轴方向上的坐标,将所述表格图片中的表格进行列对齐处理,得到所述表格图片的列对齐处理结果;基于所述表格图片的列对齐处理结果,对所述表格图片中的表格进行行对齐处理,得到所述表格图片的行对齐处理结果,并将所述表格图片的行对齐处理结果作为所述表格图片的结构化处理结果。
9.根据权利要求8所述的装置,所述结构化处理模块,还用于基于各个文字块的左上角顶点在X轴方向上的坐标,对全部文字块进行排序,得到全部文字块的排序结果;基于全部文字块的排序结果以及各个文字块的四个顶点在X轴方向上的坐标和在Y轴方向上的坐标,计算全部文字块中每两个文字块在Y轴方向上的重合度;根据全部文字块中每两个文字块在Y轴方向上的重合度,得到各个文字块的左边文本框标识和右边文本框标识;根据各个文字块的左边文本框标识和右边文本框标识,得到所述表格图片的列对齐处理结果。
10.根据权利要求9所述的装置,所述结构化处理模块,还用于在全部文字块中选取其左边文本框标识为空的文字块,作为所述表格图片的左侧表头候选集中的文字块;对所述左侧表头候选集中的各个文字块进行过滤处理,得到所述左侧表头候选集的过滤处理结果;基于所述左侧表头候选集的过滤处理结果以及各个文字块的右边文本框标识,得到所述表格图片的列对齐处理结果。
11.根据权利要求10所述的装置,所述结构化处理模块,还用于将所述左侧表头候选集的过滤处理结果中的各个文字块进行列对齐,作为所述表格图片的第一列的各个文字块;基于所述表格图片的第一列的各个文字块的右边文本框标识,得到所述表格图片的第二列的各个文字块;基于所述表格图片的第一列的各个文字块和所述表格图片的第二列的各个文字块,得到所述表格图片中的其余各列的各个文字块。
12.根据权利要求8所述的装置,所述结构化处理模块,还用于在表头字典中选取匹配于所述表格图片中的表格的表头;基于表头的四个顶点在X轴方向上的坐标和在Y轴方向上的坐标,得到所述表格图片中的表格的每一行的各个文字块;将所述表格图片中的表格的每一行的全部文字块进行对齐处理,得到所述表格图片的行对齐处理结果。
13.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-6中任一项所述的方法。
14.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1-6中任一项所述的方法。
15.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110772650.8A CN113392811B (zh) | 2021-07-08 | 2021-07-08 | 一种表格提取方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110772650.8A CN113392811B (zh) | 2021-07-08 | 2021-07-08 | 一种表格提取方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113392811A true CN113392811A (zh) | 2021-09-14 |
CN113392811B CN113392811B (zh) | 2023-08-01 |
Family
ID=77625494
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110772650.8A Active CN113392811B (zh) | 2021-07-08 | 2021-07-08 | 一种表格提取方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113392811B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200175267A1 (en) * | 2018-12-04 | 2020-06-04 | Leverton Holding Llc | Methods and systems for automated table detection within documents |
WO2020164281A1 (zh) * | 2019-02-13 | 2020-08-20 | 平安科技(深圳)有限公司 | 基于文字定位识别的表格解析方法、介质及计算机设备 |
CN111753727A (zh) * | 2020-06-24 | 2020-10-09 | 北京百度网讯科技有限公司 | 用于提取结构化信息的方法、装置、设备及可读存储介质 |
CN111783645A (zh) * | 2020-06-30 | 2020-10-16 | 北京百度网讯科技有限公司 | 文字识别的方法、装置、电子设备及计算机可读存储介质 |
-
2021
- 2021-07-08 CN CN202110772650.8A patent/CN113392811B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200175267A1 (en) * | 2018-12-04 | 2020-06-04 | Leverton Holding Llc | Methods and systems for automated table detection within documents |
WO2020164281A1 (zh) * | 2019-02-13 | 2020-08-20 | 平安科技(深圳)有限公司 | 基于文字定位识别的表格解析方法、介质及计算机设备 |
CN111753727A (zh) * | 2020-06-24 | 2020-10-09 | 北京百度网讯科技有限公司 | 用于提取结构化信息的方法、装置、设备及可读存储介质 |
CN111783645A (zh) * | 2020-06-30 | 2020-10-16 | 北京百度网讯科技有限公司 | 文字识别的方法、装置、电子设备及计算机可读存储介质 |
Non-Patent Citations (1)
Title |
---|
汪晓妍;刘琪琪;黄晓洁;姜娓娓;夏明;: "基于空间对齐和轮廓匹配的颈动脉多对比MRI三维配准方法", 计算机科学, no. 05 * |
Also Published As
Publication number | Publication date |
---|---|
CN113392811B (zh) | 2023-08-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2020140698A1 (zh) | 表格数据的获取方法、装置和服务器 | |
CN113657390A (zh) | 文本检测模型的训练方法和检测文本方法、装置和设备 | |
CN111259854B (zh) | 一种文本图像中表格的结构化信息的识别方法及装置 | |
CN112560862B (zh) | 文本识别方法、装置及电子设备 | |
CN113362420B (zh) | 道路标注生成方法、装置、设备以及存储介质 | |
CN113657274B (zh) | 表格生成方法、装置、电子设备及存储介质 | |
CN113657395B (zh) | 文本识别方法、视觉特征提取模型的训练方法及装置 | |
CN113205041A (zh) | 结构化信息提取方法、装置、设备和存储介质 | |
CN111985459B (zh) | 表格图像校正方法、装置、电子设备和存储介质 | |
CN113780098A (zh) | 文字识别方法、装置、电子设备以及存储介质 | |
CN113378958A (zh) | 自动标注方法、装置、设备、存储介质及计算机程序产品 | |
CN115359308A (zh) | 模型训练、难例识别方法、装置、设备、存储介质及程序 | |
CN114596188A (zh) | 水印检测方法、模型训练方法、装置及电子设备 | |
CN113326766A (zh) | 文本检测模型的训练方法及装置、文本检测方法及装置 | |
CN113205090A (zh) | 图片矫正方法、装置、电子设备及计算机可读存储介质 | |
CN112507938A (zh) | 一种文本图元的几何特征计算方法及识别方法、装置 | |
CN112396048A (zh) | 图片信息提取方法、装置、计算机设备及存储介质 | |
CN115187995B (zh) | 文档矫正方法、装置、电子设备和存储介质 | |
CN113392811B (zh) | 一种表格提取方法、装置、电子设备及存储介质 | |
CN114187488B (zh) | 图像处理方法、装置、设备、介质 | |
CN113627350B (zh) | 一种表格检测方法、装置、设备以及存储介质 | |
CN113361371A (zh) | 道路提取方法、装置、设备以及存储介质 | |
CN114511863A (zh) | 表格结构提取方法、装置、电子设备及存储介质 | |
CN114187448A (zh) | 文档图像识别方法和装置、电子设备、计算机可读介质 | |
CN113313125A (zh) | 图像处理方法和装置、电子设备、计算机可读介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |