[发明专利]一种计算机处理复杂表单的方法

说明书

本发明公开了一种计算机处理复杂表单的方法，执行如下步骤：步骤1，对表单图像进行预处理；步骤2，提取出表格区域中的所有表格单元格；步骤3，分析单元格内信息键值对的逻辑关系，基于ABNF范式设计规则；步骤4，根据步骤3中设计的规则使用开源词法分析器Lex和语法分析器Yacc构造编译器；步骤5，使用设计的语言描述表格单元格，通过解析描述语言得到表格单元格内逻辑结构。

技术领域

本发明涉及一种版面分析方法，特别是一种计算机处理复杂表单的方法。

背景技术

随着信息时代的来临，数字信息已经成为人类最重要的资源。而表格是最常见的一种信息载体，如何将表格中的信息电子化、数字化，已经成为研究的热点之一。

表单版面分析作为表单文档电子化的重要部分，然而由于表单结构的多样性，很难通过一种单一的规则来分析表单中的逻辑结构，本发明对复杂表单的版面分析进行了深入的探讨。

发明内容

本发明所要解决的技术问题是针对现有技术的不足，提供一种处理复杂表单的综合方法，实现了复杂表单的半自动化处理，节省了大量的人力和时间，提高了工作效率。

本发明公开了一种处理复杂表单的综合方法，执行如下步骤：

步骤1：对表单图像进行预处理；

步骤2：提取出表格区域中的所有表格单元格；

步骤3：分析单元格内信息键值对的逻辑关系，基于ABNF范式设计规则(引用文献：RFC 5234-Augmented BNF for Syntax Specifications:ABNF)；

步骤4：根据步骤3中设计的规则使用词法分析器Lex和语法分析器Yacc构造编译器(引用文献：ANSI C Yacc grammar，Lex–A Lexical Analyzer Generator)；

步骤5：使用设计的语言描述表格单元格，通过解析描述语言得到表格单元格内的逻辑结构，其中，设计的语言即为步骤3中定义的一组规则，描述语言即为符合规则的字符串

步骤1包括如下步骤：

步骤1-1，去除表单图像中红色的印章：遍历表单图像中的所有像素点，如果像素点红色通道值大于200且蓝色通道和绿色通道值均小于200，则判定该像素点是印章像素点，令该像素点各通道值均为255；

步骤1-2，对表单进行倾斜校正：提取出表单图像中所有线段，如果线段的左右端点分别是其外接矩形的左上端点和右下端点，则判定该线段是顺时针偏转线段；如果线段的左右端点分别是其外接矩形的左下端点和右上端点，则判定该线段是逆时针偏转线段；筛选出顺时针偏转线段和逆时针偏转线段，组成顺时针偏转线段组和逆时针线段组，计算顺时针线段组中线段偏转正弦值之和，记为：Clockwise，计算逆时针线段组中线段偏转正弦值之和，记为：Counterclockwise，通过如下公式计算线段的正弦值tan：

tan＝height/width，

其中，height为线段外接矩形的长度，width为线段外接矩形的宽度；

如果Clockwise大于Counterclockwise则选用顺时针线段组，判定表单顺时针方向倾斜，否则选用逆时针线段组，判定表单逆时针方向倾斜；假设选用的线段组的正弦值之和为tan^sum，选用线段组中线段个数为m，计算倾斜角度的正弦值tan^average：

tan^average＝tan^sum/m，

通过如下公式计算倾斜角度α：