[发明专利]一种用于对公文中表格内容进行识别的方法及系统

权利要求书

1.一种用于对公文中表格内容进行识别的方法，所述方法包括：

获取公文文档图像，并对所述公文文档图像进行预处理；

基于深度学习算法对经过预处理的所述公文文档图像进行文本框位置检测和文本框内容识别，获取所述公文文档图像中的多个文本框中每个文本框的文本框位置信息，以及和每个文本框位置信息对应的文本框内容信息；

对所述公文文档图像中的表格整体单元格进行检测，检测出所述表格整体单元格的所有横线和所有竖线；

基于检测出的所有横线和所有竖线获取所述表格整体单元格中所有小单元格的小单元格位置信息；

基于所述文本框位置信息和所述小单元格位置信息，判断所述文本框是否与所述小单元格相对应；

当判断出所述文本框与所述小单元格相对应时，基于所述文本框位置信息对所述文本框进行排序，获取排序后的文本框内容信息；

基于排序后的文本框内容信息确定所述表格整体单元格的内容排布，输出经过排布后的公文文档图像的结构化文本信息。

2.根据权利要求1所述的方法，还包括：

获取公文文档，将所述公文文档转化为图像格式，所述图像格式包括：jpg、png。

3.根据权利要求1所述的方法，所述对所述公文文档图像中的表格整体单元格进行检测，检测出所述表格整体单元格的所有横线和所有竖线包括：

将所述公文文档图像进行归一化处理，使得所述公文文档图像调整为预定尺寸；

将调整后的所述公文文档图像转化为灰度模式，并进行腐蚀处理；

通过中值滤波过滤掉经过腐蚀处理的所述公文文档图像的噪声干扰；

分别确定所述公文文档图像的X方向和Y方向的梯度，并进行阈值化处理，通过霍夫直线检测初步筛选出所有横线和所有竖线；

分别对筛选出的所有横线和所有竖线进行排序和合并处理。

4.根据权利要求1所述的方法，所述判断所述文本框是否与所述小单元格相对应，包括：

当所述文本框位置信息和所述小单元格位置信息满足预设的条件时，判断出所述判断所述文本框与所述小单元格相对应。

5.根据权利要求1所述的方法，当判断出所述文本框与所述小单元格不对应时，分别计算所述文本框与所述小单元格的面积；

计算所述文本框与所述小单元格的交集面积与所述文本框与所述小单元格的并集面积的比值；

当计算出的比值满足预设范围时，确定所述文本框与所述小单元格相对应。

6.根据权利要求1所述的方法，当多个文本框对应同一小单元格时，对多个文本框内容进行合并。

7.一种用于对公文中表格内容进行识别的系统，所述系统包括：

初始单元，用于获取公文文档图像，并对所述公文文档图像进行预处理；

识别单元，用于基于深度学习算法对经过预处理的所述公文文档图像进行文本框位置检测和文本框内容识别，获取所述公文文档图像中的多个文本框中每个文本框的文本框位置信息，以及和每个文本框位置信息对应的文本框内容信息；

检测单元，用于对所述公文文档图像中的表格整体单元格进行检测，检测出所述表格整体单元格的所有横线和所有竖线；基于检测出的所有横线和所有竖线获取所述表格整体单元格中所有小单元格的小单元格位置信息；

归属单元，用于基于所述文本框位置信息和所述小单元格位置信息，判断所述文本框是否与所述小单元格相对应；当判断出所述文本框与所述小单元格相对应时，基于所述文本框位置信息对所述文本框进行排序，获取排序后的文本框内容信息；

结果单元，用于基于排序后的文本框内容信息确定所述表格整体单元格的内容排布，输出经过排布后的公文文档图像的结构化文本信息。

8.根据权利要求7所述的系统，所述初始单元还用于：

获取公文文档，将所述公文文档转化为图像格式，所述图像格式包括：jpg、png。