[发明专利]表格信息的提取方法、装置、设备及存储介质

权利要求书

1.一种表格信息的提取方法，其特征在于，所述方法包括：

获取图像和文本，所述文本包括至少一个行文本；

根据所述图像在水平方向上的灰度分布，在所述图像中确定垂直分割线，所述垂直分割线在所述图像中所处位置的所述灰度分布满足条件；

分别获取所述至少一个行文本与首行文本之间的语义相似度，所述首行文本为表头文本之下的第一个行文本；

根据每个所述行文本与所述文本的首行文本之间的语义相似度，在所述至少一个行文本中，确定所述文本中换行文本的开始行，所述开始行与所述首行文本之间的语义相似度大于第二阈值，所述换行文本为语义相似而被切分至不同行的文本；

根据所述文本中换行文本的开始行，在所述图像中确定水平分割线，所述水平分割线在所述图像中所处位置在所述开始行之上；

根据所述垂直分割线和所述水平分割线，对所述图像进行分割，得到至少一个单元格区域；

根据所述至少一个单元格区域包括的信息，获取表格信息，所述至少一个单元格区域包括的信息包括所述换行文本。

2.根据权利要求1所述的方法，其特征在于，所述根据所述图像在水平方向上的灰度分布，在所述图像中确定垂直分割线，包括：

对所述图像中每个像素点的灰度值进行统计，得到统计结果，所述统计结果用于指示所述图像在水平方向上的灰度分布；

根据所述统计结果，在所述图像中确定文本边界，所述文本边界在所述图像中所处位置的所述灰度分布的变化率大于第一阈值；

根据所述文本边界，在所述图像中确定垂直分割线，所述垂直分割线在所述图像中位于相邻的文本边界之间。

3.根据权利要求2所述的方法，其特征在于，所述对所述图像中每个像素点的灰度值进行统计，得到统计结果，包括：

对所述图像中每个像素点的灰度值进行二值化，得到灰度数据，所述灰度数据包括所述图像中每个像素点的二值化灰度值；

对所述灰度数据中的二值化灰度值按列求和，得到所述统计结果。

4.根据权利要求2所述的方法，其特征在于，所述根据所述统计结果，在所述图像中确定文本边界，包括：

根据所述统计结果，获取差值数据，所述差值数据用于指示所述图像在水平方向上相邻位置之间的灰度值差距；

根据所述差值数据，在所述图像中确定文本边界，所述文本边界在所述图像中所处位置与相邻位置之间的灰度值差距大于所述第一阈值。

5.根据权利要求1所述的方法，其特征在于，所述分别获取所述至少一个行文本与首行文本之间的语义相似度，包括：

分别对所述至少一个行文本进行实体识别，得到每个行文本的实体信息，所述实体信息包括一个行文本中每个词对应的实体标签；

分别对所述至少一个行文本的实体信息进行特征提取，得到每个行文本的特征向量；

根据每个行文本与所述首行文本之间的特征向量相似度，获取每个行文本与所述首行文本之间的语义相似度。

6.根据权利要求5所述的方法，其特征在于，所述分别对所述至少一个行文本的实体信息进行特征提取，得到每个行文本的特征向量，包括：

根据每个行文本的实体信息，在所述至少一个行文本的实体信息中确定高频行，所述高频行是一个行文本的实体信息，所述高频行在所述至少一个行文本的实体信息中出现的次数最多；

分别对所述至少一个行文本的实体信息与所述高频行进行比较，得到每个行文本的特征向量的第一部分，所述第一部分用于指示对应行文本的实体信息与所述高频行之间的一致程度。

7.根据权利要求5所述的方法，其特征在于，所述分别对所述至少一个行文本的实体信息进行特征提取，得到每个行文本的特征向量，包括：

根据每个行文本的实体信息，在所述至少一个行文本的实体信息中确定高频词，所述高频词为实体标签，所述高频词的词频在所述至少一个行文本的实体信息的实体标签中排在前预设位数；

分别对所述至少一个行文本的实体信息中的实体标签与所述高频词进行比较，得到每个行文本的特征向量的第二部分，所述第二部分用于指示对应行文本的实体信息中的每个实体标签是否为所述高频词。