[發(fā)明專利]文檔圖像中的無(wú)邊框表格解析技術(shù)

在審

• 申請(qǐng)?zhí)枺?/td>: 201910587312.X
• 申請(qǐng)日: 2019-06-28
• 公開（公告）號(hào): CN110413962A
• 公開（公告）日: 2019-11-05
• 發(fā)明（設(shè)計(jì)）人: 徐茂龍;楊鴻健;程晨
• 申請(qǐng)（專利權(quán)）人: 南京智錄信息科技有限公司
• 主分類號(hào): G06F17/22
• 分類號(hào): G06F17/22;G06F17/24
• 代理公司: 暫無(wú)信息
• 代理人: 暫無(wú)信息

本發(fā)明涉及一種文檔圖像中的無(wú)邊框表格解析方法，所述方法包括步驟：識(shí)別出無(wú)邊框表格區(qū)域部分；將所述位置范圍內(nèi)的文本進(jìn)行合并；根據(jù)無(wú)邊框表格區(qū)域和區(qū)域內(nèi)文本相關(guān)數(shù)據(jù)，將文本塊進(jìn)行分行，并獲取每一行的文本塊數(shù)量，將區(qū)域中含有最多文本塊的行提取出來(lái)，并根據(jù)順序切分為列，并根據(jù)每列的文本塊位置信息獲取列的取值范圍；計(jì)算獲取當(dāng)前列文本塊橫軸位置數(shù)值的最大值、最小值、方差、變動(dòng)范圍、25到75百分位的變動(dòng)范圍。根據(jù)上述計(jì)算得到的數(shù)據(jù)判斷列中文本的對(duì)齊類型；對(duì)第一列的左邊界值設(shè)為0，依次將其右邊的所有列的橫軸位置坐標(biāo)相對(duì)第一列進(jìn)行修正，同時(shí)進(jìn)行橫向和縱向單元格合并的情況判定和處理。

技術(shù)領(lǐng)域

本發(fā)明涉及數(shù)據(jù)處理技術(shù)領(lǐng)域，特別涉及一種文檔圖像中無(wú)邊框表格解析方法

背景技術(shù)

隨著電腦的不斷普及，無(wú)紙化辦公得到越來(lái)越多的應(yīng)用，各種各樣的文檔也大量的出現(xiàn)在用戶的面前。

以可移植文檔格式(Portable Document Format，PDF)、office文檔為例，PDF文件格式以其卓越的特性成為在Internet上進(jìn)行電子文檔發(fā)行和格式化信息傳播的理想文件格式，在將PDF格式的文檔轉(zhuǎn)換office格式的文檔時(shí)，面臨較多的困難。

譬如PDF格式文檔中的表象為表格的對(duì)象，在其內(nèi)部是由很多彼此無(wú)任何邏輯關(guān)系的線條或多邊形組成的。在將PDF轉(zhuǎn)換為其他格式的文檔，特別轉(zhuǎn)換為office類的文檔時(shí)，由于PDF沒(méi)有表格元素，很難跟office 類文檔兼容，使轉(zhuǎn)換出的文檔的排版、及編輯效果都很差。

在將諸如PDF格式文檔等原文檔中的表格轉(zhuǎn)換為其他文檔格式的表格時(shí)，如何提高轉(zhuǎn)換出的文檔的排版及編輯效果，是文檔應(yīng)用領(lǐng)域研究的方向之一。

發(fā)明內(nèi)容

一種文檔圖像中的無(wú)邊框表格解析方法，包括以下步驟

利用預(yù)先得到的頁(yè)面中元素位置信息，檢測(cè)出無(wú)邊框表格的潛在區(qū)域；

利用預(yù)先得到的頁(yè)面中文本及其位置信息，對(duì)文本進(jìn)行行內(nèi)，行之間的合并與標(biāo)記；

檢測(cè)標(biāo)記結(jié)果，針對(duì)標(biāo)記類型，將相鄰的文本行合并為文本行塊；

針對(duì)所有合并后的文本行塊，嘗試對(duì)其合并得到無(wú)邊框表格在頁(yè)面中的高度值范圍；

附圖說(shuō)明

為了更清楚地說(shuō)明本發(fā)明實(shí)施例的技術(shù)方案，下面將對(duì)實(shí)施例中所需要使用的附圖做簡(jiǎn)單的介紹，應(yīng)當(dāng)理解，以下附圖僅展示出了本發(fā)明的某些實(shí)施例，因此不應(yīng)被看作是對(duì)范圍的限定，對(duì)于本領(lǐng)域普通技術(shù)人員來(lái)講，在不付出創(chuàng)造性勞動(dòng)的前提下，還可以根據(jù)這些附圖獲得其他相關(guān)的附圖

圖1為本發(fā)明所述的文檔圖像中無(wú)邊框表格的解析方法的流程圖

圖2為實(shí)施例中包含無(wú)邊框表格的原始文檔圖像

圖3為文檔圖像經(jīng)過(guò)切分后輸出的狀態(tài)圖

圖4為文檔圖像中文本元素合并為text_obj后輸出的狀態(tài)圖

圖5為增加multi_text_line標(biāo)記后輸出的狀態(tài)圖

圖6為合并multi_text_line為multi_text_line_block后輸出的狀態(tài)圖

圖7為識(shí)別出的無(wú)邊框表格區(qū)域在頁(yè)面文檔中的區(qū)域結(jié)果狀態(tài)圖

具體實(shí)施方式

利用預(yù)先處理得到的頁(yè)面圖片內(nèi)有邊框表格、圖片、頁(yè)眉頁(yè)腳三種元素在頁(yè)面中位置信息，將頁(yè)面按照y 軸(高度值)分割得到無(wú)邊框表格潛在區(qū)域(part_list)，分割后的各部分不再包含上述三種元素，分割后得到的潛在區(qū)域如圖3所示，本例中文檔圖像不包含圖片、頁(yè)眉頁(yè)腳和有邊框表格，所以圖3中兩條水平紅線間區(qū)域即為潛在區(qū)域。