CN109740135A - 图表生成方法及装置、电子设备和存储介质 - Google Patents

Abstract

本公开是关于一种图表生成方法及装置、电子设备和存储介质，涉及计算机技术领域，可以应用于基于图像识别技术将含有用于统计的数据的图像对应生成图表的应用场景。该图表生成方法包括获取目标图像；对目标图像进行图像识别，并从图像识别的结果中确定目标数据；确定与目标数据对应的图表类型；利用目标数据生成与图表类型对应的图表。本公开将目标图像中可以用于统计的数据生成相应的图表，为用户提供一种直观的数据展示方式，并大大减少用户手动录入数据的工作量；另外，本公开提供多种图表类型以供选择，使得数据展示方式更加多样化。

Description

图表生成方法及装置、电子设备和存储介质

技术领域

本公开涉及计算机技术领域，具体而言，涉及一种图表生成方法、图表生成装置、电子设备和存储介质。

背景技术

在日常工作中，一些图像中可能包含文字、数字等信息，人们为了使用图像中的数据信息，常常会将图像中的这些数据信息提取出来，以其它文件格式进行存储，便于后续的使用。

目前，基于图像识别技术对包含有文字、数字等图像进行处理的应用场景通常是将图片转换成word、pdf等文本格式的文件，以便后期使用。然而，当一些图片中包含有可以用于统计的数据时，在将这些数据转换为word、pdf等文本格式的文件后，无法为用户提供一种较为直观的数据展示方式，不利于用户进一步分析数据。

需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

本公开的目的在于提供一种图表生成方法、图表生成装置、电子设备以及计算机可读存储介质，进而至少在一定程度上克服图像中可用于统计的数据无法较好地直观展示给用户的问题。

根据本公开的第一方面，提供一种图表生成方法，包括：获取目标图像；对目标图像进行图像识别，并从图像识别的结果中确定目标数据；确定与目标数据对应的图表类型；利用目标数据生成与图表类型对应的图表。

可选的，对目标图像进行图像识别，并从图像识别的结果中确定目标数据包括：对目标图像进行图像识别以确定目标图像的中间数据；基于中间数据确定目标数据。

可选的，基于中间数据确定目标数据包括：对中间数据进行预处理，以确定目标数据；其中，预处理包括数据去重处理、无用数据处理、异常数据处理、缺失值处理中的一种或多种。

可选的，对目标图像进行图像识别包括：采用光学字符识别方式对目标图像进行图像识别；或将目标图像输入至训练后的第一机器学习模型，以对目标图像进行图像识别。

可选的，确定目标数据后，图表生成方法还包括：设定多个预设标签；其中，预设标签是基于目标数据的属性进行设定的标签；将目标数据的各数据项与各预设标签逐一对应，形成数据记录；将基于目标数据形成的数据记录存储到数据库中。

可选的，确定与目标数据对应的图表类型包括：将目标数据输入至训练后的第二机器学习模型，以确定目标数据对应的图表类型。

可选的，图表生成方法还包括：确定目标图像所对应的图表类型后自动生成图表；或响应用户对用于选择图表类型的预设配置项的操作，基于目标数据生成与预设配置项对应的图表。

根据本公开的第二方面，提供一种图表生成装置，包括：目标图像获取模块，用于获取目标图像；目标数据确定模块，用于对目标图像进行图像识别，并从图像识别的结果中确定目标数据；图表类型确定模块，用于确定与目标数据对应的图表类型；图表生成模块，用于利用目标数据生成与图表类型对应的图表。

可选的，目标数据确定模块包括目标数据确定单元。

具体的，目标数据确定单元用于对目标图像进行图像识别以确定目标图像的中间数据；基于中间数据确定目标数据。

可选的，目标数据确定单元包括数据处理子单元。

具体的，数据处理子单元用于对中间数据进行预处理，以确定目标数据；其中，预处理包括数据去重处理、无用数据处理、异常数据处理、缺失值处理中的一种或多种。

可选的，目标数据获取模块还包括图像识别单元。

具体的，图像识别单元用于采用光学字符识别方式对目标图像进行图像识别；或将目标图像输入至训练后的第一机器学习模型，以对目标图像进行图像识别。

可选的，图表生成装置还包括数据存储模块。

具体的，数据存储模块用于设定多个预设标签；将目标数据的各数据项与各预设标签逐一对应，形成数据记录；将基于目标数据形成的数据记录存储到数据库中。

可选的，图表类型确定模块包括图表类型确定单元。

具体的，图表类型确定单元用于将目标数据输入至训练后的第二机器学习模型，以确定目标数据对应的图表类型。

可选的，图表生成模块包括图表生成单元。

具体的，图表生成单元用于确定目标图像所对应的图表类型后自动生成图表；或响应用户对用于选择图表类型的预设配置项的操作，基于目标数据生成与预设配置项对应的图表。

根据本公开的第三方面，提供一种电子设备，包括：处理器；以及存储器，所述存储器上存储有计算机可读指令，所述计算机可读指令被所述处理器执行时实现根据上述任意一项所述的图表生成方法。

根据本公开的第四方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现根据上述任意一项所述的图表生成方法。

本公开的示例性实施例中的图表生成方法，首先，获取目标图像后，对目标图像进行图像识别，并从图像识别的结果中确定目标数据；其次，确定与目标数据对应的图表类型；再次，利用目标数据生成与图表类型对应的图表。一方面，通过该图表生成方法可以对目标图像进行图像识别后确定出目标数据，进而基于目标数据确定相应的图表类型并生成图表，为用户提供一种直观的数据展示方式；另一方面，该图表生成方法可以直接将图像中的目标数据生成图表，减少用户手动录入目标数据时的工作量。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：

图1示意性示出了根据本公开的示例性实施方式的图表生成方法的流程图；

图2示意性示出了根据本公开的第一示例性实施方式的图表生成装置的方框图；

图3示意性示出了根据本公开的第一示例性实施例的目标数据确定模块的方框图；

图4示意性示出了根据本公开的一些示例性实施例的目标数据确定单元的方框图；

图5示意性示出了根据本公开的第二示例性实施例的目标数据确定模块的方框图；

图6示意性示出了根据本公开的第二示例性实施方式的图表生成装置的方框图；

图7示意性示出了根据本公开的一些示例性实施例的图表类型确定模块的方框图；

图8示意性示出了根据本公开的一些示例性实施例的图表生成模块的方框图；

图9示意性示出了根据本公开一示例性实施例的电子设备的框图；以及

图10示意性示出了根据本公开一示例性实施例的计算机可读存储介质的示意图。

具体实施方式

现在将参考附图更全面地描述示例实施例。然而，示例实施例能够以多种形式实施，且不应被理解为限于在此阐述的实施例；相反，提供这些实施例使得本公开将全面和完整，并将示例实施例的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。

此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本公开的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而没有所述特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知结构、方法、装置、实现、材料或者操作以避免模糊本公开的各方面。

附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个软件硬化的模块中实现这些功能实体或功能实体的一部分，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

目前基于图像识别技术，多用来将图像生成word、pdf等文本格式的文件。但在日常工作或生活中，经常会遇到一些带有统计信息的图片，如各类系统使用情况的统计信息的截图。对于这种带有统计信息的图片，目前较少有支持提取图像中的统计信息并将其中的统计数据以图表形式展示的方案，如将图像转换为excel表格或excel图表的格式的方案。

基于此，在本示例实施例中，首先提供了一种图表生成方法，可以利用服务器来实现本公开的用图表生成方法，也可以利用终端设备来实现本公开所述的方法，其中，所述终端设备例如可以为手机、电脑、PDA等各种电子设备。参考图1，该图表生成方法可以包括以下步骤：

S110.获取目标图像。

在本公开的一些示例性实施方式中，目标图像可以是包含统计信息以及对应数据的各类图片，即目标图像可以为静态图片，其中，图片格式可以包括但不限于jpg格式、jpeg格式、png格式、bmp格式等。另外，目标图像还可以为在视频文件中截取的某一帧。举例而言，统计信息可以为反映系统运行情况或使用情况、企业某一次采购的采购清单、企业的日常销售额等信息。

S120.对目标图像进行图像识别，并从图像识别的结果中确定目标数据。

在本公开的一些示例性实施方式中，图像识别可以为识别目标图像中的各类字符，字符可以包括文字、数字、符号或其它特殊字符。图像识别的识别结果可以为输出目标图像中所包含的字符的文本形式，并从识别结果中确定目标数据。

根据本公开的一些示例性实施例，可以采用光学字符识别(Optical CharacterRecognition，OCR)方式对目标图像进行图像识别，并得到识别结果，采用OCR方法对目标图像进行识别的过程主要包括预处理、字符识别、结果输出等步骤。这些步骤的具体过程为：

首先，对目标图像进行预处理。预处理可以包括：二值化、图像降噪、倾斜校正、平滑处理、字符分割等，通过预处理可以得到待识别字符。

具体的，目标图像可能为彩色图像，彩色图像上的像素点的灰度值范围为0～255，二值化可以将图像上的像素点的灰度值设置为0或255，其中，二值化过程中要使目标图像中图像背景与字符的灰度值不同，如果字符的像素点灰度值为0，那么图像背景的像素点灰度值为255；如果字符的像素点灰度值为255，那么图像背景的像素点灰度值为0，使目标图像呈现出有且仅有黑白两色的视觉效果。图像在数字化或传输过程中常常受到设备或外部环境噪声干扰的影响而成为噪声图像，因此，需要减少数字图像中的噪声，即图像降噪的过程。一些纸质资料在电子化过程(如扫描)过程中，由于人为等外界因素的影响导致扫描出的文档与图像正边成一定的倾斜角度，倾斜校正可以认为是对倾斜角度进行校正的过程。平滑处理可以是通过增加像素内插处理，加大像素分辨率，使得图像方法后，图像边界出现的锯齿状平滑化的过程。字符分割可以采用基于相邻字符最大间隔宽度的方法对图像中的字符进行分割。

其次，进行字符识别，即模板匹配识别。模板匹配可以是将字符逐个与预先制作好的字符模板比较，如果对比结果不小于某一预设阈值则可以认为结果就是模板上的字符。举例而言，可以将预设阈值确定为0.85，当对目标图像中的某一字符与模板中字符“8”的相似度对比结果大于或等于0.85时，则认为该字符为“8”，将8作为识别结果。其中，对比识别中常用的比对方法有欧式空间的比对方法、松弛比对法(Relaxation)、动态程序比对法(Dynamic Programming，DP)，以及隐马尔科夫模型(Hidden Markov Model，HMM)等。

再次，将识别出的字符进行处理后输出。将通过模板匹配识别后识别出的字符进行输出并存储，以便进行下一步的处理。

根据本公开的另一示例性实施例，可以将目标图像输入至训练后的第一机器学习模型，以对目标图像进行图像识别。获取的目标图像中可能包含手写体的文字，由于汉字字符的复杂性，采用传统OCR方法识别字符时，对字符特征点提取方法需要人工专家定义重要的特征点位置，而且对于哪些特征点重要也不能给出统一的标准，因此，可以采用第一机器学习模型对目标图像进行图像识别以识别目标图像中的字符。

举例而言，第一机器学习模型可以为卷积神经网络(Convolutional NeuralNetwork，CNN)，采用CNN网络构建图像识别模型。可以随机选取计算机内嵌字体作为第一训练样本集，将第一训练样本集输入至CNN网络中，可以通过CNN网络中多层卷积层以及多层池化层的叠加，训练CNN深度学习网络，自动生成字符特征。CNN网络通过卷积核提取特征，每一个神经元和前一层的局部感受野相连，通过卷积核计算局部特征，并以卷积窗口的移动生成特征平面，每一个特征平面共享一个卷积核。CNN网络中的卷积层可以用于特征的提取，池化层可以用于特征参数的处理，采用CNN网络识别图像中的字符可以避免人为特征提取上的不稳定性以及盲点。

在本公开的另外一些示例性实施方式中，对目标图像进行图像识别后，从图像识别结果中确定目标图像的中间数据。中间数据可以为对目标图像识别后直接输出的识别结果，对该识别结果未进行任何处理的统计数据。有时，需要对中间数据进行预处理将其转换为目标数据，再进行后续处理。

根据本公开的一些示例性实施例，可以对中间数据进行预处理，以确定目标数据。由于中间数据可能存在无用数据、缺失数据、异常数据、重复数据等不属于目标数据的数据，因此，可以对中间数据进行预处理后确定目标数据。预处理可以包括但不限于无用数据处理、缺失值处理、异常值处理、去重处理等。其中，无用数据处理可以包括删除对本次生成图表毫无价值的数据；缺失值处理可以包括直接删除、使用一个全局常量填充、插补法、拉格朗日插值法和牛顿插值法；异常值处理可以包括删除异常值、不处理、平均值替代、视为缺失值；去重处理可以包括删除重复数据元组、删除数据重复项。

举例而言，无用数据可以为与本次生成图表无关的文本内容，如统计数据前面出现的一些常识性、概念性内容的介绍，对于此类数据可以直接删除。缺失数据可以分为对生成图表产生实质性影响的数据、对图表生成几乎无影响的数据，如企业中某月的销售数据，如果该目标图像中某一类产品的销售数量丢失，则会对生成图表产生实质性的影响，此时，可以采用一个全局常量填充该数据项，如填充为NULL，可以认为该数据项丢失；另外，如果是某一条数据记录中月份的信息丢失，可以根据上下文的推断，将该数据项补齐，不影响后续图表的生成。异常数据可以为数据项的值明显错误的数据，如表示某企业一年中主控制系统的运行性能的数据中，出现了月份为“13”的数据项，该数据项可以认为是异常数据，对应异常数据可以直接删除，或者可以视为缺失值。重复数据可以为两条数据记录相同的数据，对于重复数据可以进行去重处理，直接删除重复的数据元组或者重复的数据项。

在本公开的一些示例性实施方式中，设定多个预设标签；将目标数据的各数据项与各预设标签逐一对应，形成数据记录；将基于目标数据形成的数据记录存储到数据库中。目标数据的数据项可以为一条数据记录中不可分割的最小单元，预设标签可以为表示目标数据中数据项属性的名称，多个数据项可以组成一条数据记录。举例而言，一条数据记录为(张三，男，16岁，高二，90，92，95，89，88，90)，则“张三”、“男”、“16岁”、“高二”、“90”、“92”、“95”、“89”、“88”、“90”均为数据项，而这些数据项所对应的预设标签分别是“姓名”、“性别”、“年龄”、“年级”、“语文”、“数学”、“英语”、“物理”、“化学”、“生物”。将数据项与预设标签逐一对应后形成的数据记录存储到数据库中。

S130.确定与目标数据对应的图表类型。

在本公开的一些示例性实施方式中，图表可以为基于形成的表格数据绘制的图表，图表类型可以包括但不限于饼图、柱状图、折线图、条形图、散点图、面积图、雷达图、曲面图等。

根据本公开的一些示例性实施例，将目标数据输入至训练后的第二机器学习模型，以确定目标数据对应的图表类型。

采用第二机器学习模型确定目标数据对应的图表类型的过程可以为：首先，从目标图像组成的图像集合中选取一部分图像作为训练样本集。其中，单个样本的内容可以包括一幅目标图像中的目标数据以及目标数据所对应的图表类型，样本的分类标签可以为图表类型，随机选取多个样本组成第二训练样本集。其次，将第二训练样本集输入至第二机器学习模型并对第二机器学习模型进行训练。训练过程可以包括：将第二训练样本集输入至第二机器学习模型，第二机器学习模型的输出为目标数据对应的图表类型，通过调整模型参数，可以使输出的分类结果越来越接近分类标签，直到模型的准确率达到一定的标准，可以认为训练完成。再次，向训练完成后的第二机器学习模型输入目标图像的目标数据，以便第二机器学习模型输出相应图表类型。

本领域技术人员容易理解的是，构建第二机器学习模型可以用于分类的分类算法实现，这些分类算法可以包括但不限于CNN网络、决策树技术、聚类分析、贝叶斯(Bayes)分类算法、k-近邻(kNN，k-Nearest Neighbors)算法、支持向量机(SVM，Support VectorMachine)等。另外，也可以采用聚类算法对目标数据实现分类，常用的聚类算法有K-Means(K均值)聚类算法。

需要说明的是，构建第二机器学习模型可以采用多种机器学习算法实现，采用的机器学习算法只要能够满足将目标数据的图表类型正确分类即可，采用不同机器学习算法对目标图像所述的图表类型进行分类的变化均属于本公开的保护范围。

S140.利用目标数据生成与图表类型对应的图表。

在本公开的一些示例性实施方式中，确定出目标数据所对应的图表类型后，可以将目标数据生成与图表类型对应的图表。生成图表的方式可以是确定目标图像所对应的图表类型后自动生成图表，自动生成图表可以是基于第二机器学习模型确定图表类型后，自动将目标数据绘制成反应目标数据数据特征的相应图表。另外，生成图表的方式也可以是响应用户对用于选择图表类型的预设配置项的操作，基于目标数据生成与预设配置项对应的图表。预设配置项可以包括但不限于时间段、标签数量、图表类型，用户可以勾选自己更加关注的标签、图表类型等，以便生成对应图表。举例而言，用户通过对时间段选项的配置，可以选择自己比较关注的时间段内的数据，如目标数据中包含一年内多种产品的销售数据，可以通过时间段的设置选择某一季度的数据从而生成图表。

需要说明的是，图表生成的方式在系统中可以有“自动生成图表”和“手动配置预设项生成图表”两个选项，当用户勾选“自动生成图表”时，该图表生成方法可以将目标图像自动生成为对应的图表；当用户选择“手动配置预设项生成图表”时，在生成图表之前，系统将会显示用户可勾选的预配置选项，用户勾选完毕后，生成对应图表。通常，系统设置默认是自动生成图表。

另外，该图表生成方法在对目标图像进行图像识别以及处理后，可以直接生成excel格式的文件，可以将“直接生成excel文件”作为第三选项提供给用户，便于用户自行在系统设置中设定。该配置项便于后续用户对excel文件进行二次编辑，或者以excel文件形式打开，自行生成所需要的图表。

综上所述，本公开的图表生成方法，首先，获取目标图像后，对目标图像进行图像识别，并从图像识别的结果中确定目标数据；其次，确定与目标数据对应的图表类型；再次，利用目标数据生成与所述图表类型对应的图表。一方面，通过本公开的图表生成方法，可以采用图像识别技术确定目标图像中的目标数据，进而基于目标数据确定相应图表类型并生成图表，为用户提供一种直观的数据展示方式，并且大大减少用户手工录入数据的工作量。另一方面，通过该图表生成方法，用户可以通过对预配置选项的设置，使生成的图表样式更加丰富，便于用户多角度查看数据，分析数据。

此外，在本公开的示例性实施方式中，还提供了一种图表生成装置。参考图2，该图表生成装置200可以包括目标图像获取模块210、目标数据确定模块220、图表类型确定模块230以及图表生成模块240。

具体的，目标图像获取模块210可以用于获取目标图像；目标数据确定模块220可以用于对目标图像进行图像识别，并从图像识别的结果中确定目标数据；图表类型确定模块230可以用于确定与目标数据对应的图表类型；图表生成模块240可以用于利用目标数据生成与图表类型对应的图表。

该图表生成装置200可以获取目标图像中的目标数据，并基于目标数据的特点确定目标数据所对应的图表类型，确定图表类型后，将会基于目标数据生成相应的图表，以便用户后续编辑或以多种图表类型来观察数据，是一种行之有效的图表生成装置。

根据本公开的一些示例性实施例，参考图3，目标数据确定模块220可以包括目标数据确定单元310。

具体的，目标数据确定单元310可以用于对目标图像进行图像识别以确定目标图像的中间数据；基于中间数据确定所述目标数据。

目标数据确定单元310在获取目标图像后，对目标图像进行图像识别，对经图像识别后输出的中间数据进行处理得到目标数据，以便后续确定图表类型。

根据本公开的另外一些示例性实施例，参考图4，目标数据确定单元310可以包括数据处理子单元410。

具体的，数据处理子单元410可以用于对中间数据进行预处理，以确定目标数据；其中，预处理包括数据去重处理、无用数据处理、异常数据处理、缺失值处理中的一种或多种。

数据处理子单元410对图像识别结果中的数据进行相应的预处理，以便确保目标数据的准确性。

根据本公开的又一示例性实施例，参考图5，目标数据确定模块510除包括目标数据确定单元310外，还可以包括图像识别单元520。

具体的，图像识别单元520可以用于采用光学字符识别方式对目标图像进行图像识别；或将目标图像输入至训练后的第一机器学习模型，以对目标图像进行图像识别。

图像识别单元520提供了对目标图像进行图像识别的方法，对目标图像进行图像识别是进行后续处理的基础。

在本公开的另外一些示例性实施方式中，还提供了图表生成装置600，图表生成装置600相比于图表生成装置200，除包括目标图像获取模块210、目标数据确定模块220、图表类型确定模块230以及图表生成模块240外，还可以包括数据存储模块610。

具体的，数据存储模块610可以用于设定多个预设标签；将目标数据的各数据项与各预设标签逐一对应，形成数据记录；将基于目标数据形成的数据记录存储到数据库中。

数据存储模块610可以将经图像识别以及对识别结果进行预处理的数据按照一定的格式进行存储，以便后续确定图表类型，进而生成相应图表。

根据本公开的一些示例性实施例，参考图7，图表类型确定模块230可以包括图表类型确定单元710。

具体的，图表类型确定单元710可以用于将目标数据输入至训练后的第二机器学习模型，以确定目标数据对应的图表类型。

图表类型确定单元710可以通过将目标数据输入至机器学习模型，由机器学习模型输出目标数据对应的图表类型。

根据本公开的另外一些示例性实施例，参考图8，图表生成模块240可以包括图表生成单元810。

具体的，图表生成单元810可以用于确定目标图像所对应的图表类型后自动生成图表；或响应用户对用于选择图表类型的预设配置项的操作，基于目标数据生成与所述预设配置项对应的图表。

图表生成单元810在确定目标数据的图表类型，生成目标数据所对应的相应图表，以便用户可以从更多角度看到数据的走向、趋势，并挖掘更多的其他信息。

上述中各虚拟图表生成装置模块的具体细节已经在对应的图表生成方法中进行了详细的描述，因此此处不再赘述。

应当注意，尽管在上文详细描述中提及了图表生成装置的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。

此外，在本公开的示例性实施例中，还提供了一种能够实现上述方法的电子设备。

所属技术领域的技术人员能够理解，本发明的各个方面可以实现为系统、方法或程序产品。因此，本发明的各个方面可以具体实现为以下形式，即：完全的硬件实施例、完全的软件实施例(包括固件、微代码等)，或硬件和软件方面结合的实施例，这里可以统称为“电路”、“模块”或“系统”。

下面参照图9来描述根据本发明的这种实施例的电子设备900。图9显示的电子设备900仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图9所示，电子设备900以通用计算设备的形式表现。电子设备900的组件可以包括但不限于：上述至少一个处理单元910、上述至少一个存储单元920、连接不同系统组件(包括存储单元910和处理单元920)的总线930、显示单元940。

其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元910执行，使得所述处理单元910执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施例的步骤。

存储单元920可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)921和/或高速缓存存储单元922，还可以进一步包括只读存储单元(ROM)923。

存储单元920还可以包括具有一组(至少一个)程序模块925的程序/实用工具924，这样的程序模块925包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

总线可以930为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。

电子设备900也可以与一个或多个外部设备970(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备900交互的设备通信，和/或与使得该电子设备900能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口950进行。并且，电子设备900还可以通过网络适配器960与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器960通过总线930与电子设备900的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备900使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

通过以上的实施例的描述，本领域的技术人员易于理解，这里描述的示例实施例可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施例的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施例的方法。

在本公开的示例性实施例中，还提供了一种计算机可读存储介质，其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施例中，本发明的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施例的步骤。

参考图10，描述了根据本发明的实施例的用于实现上述方法的程序产品1000，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。

计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

此外，上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其他实施例。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由权利要求指出。

应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限。

Claims (10)

1.一种图表生成方法，其特征在于，包括：

获取目标图像；

对所述目标图像进行图像识别，并从图像识别的结果中确定目标数据；

确定与所述目标数据对应的图表类型；

利用所述目标数据生成与所述图表类型对应的图表。

2.根据权利要求1所述的图表生成方法，其特征在于，对所述目标图像进行图像识别，并从图像识别的结果中确定目标数据包括：

对所述目标图像进行图像识别以确定所述目标图像的中间数据；

基于所述中间数据确定所述目标数据。

3.根据权利要求2所述的图表生成方法，其特征在于，基于所述中间数据确定所述目标数据包括：

对所述中间数据进行预处理，以确定所述目标数据；其中，所述预处理包括数据去重处理、无用数据处理、异常数据处理、缺失值处理中的一种或多种。

4.根据权利要求1所述的图表生成方法，其特征在于，对目标图像进行图像识别包括：

采用光学字符识别方式对所述目标图像进行图像识别；或

将所述目标图像输入至训练后的第一机器学习模型，以对所述目标图像进行图像识别。

5.根据权利要求1所述的图表生成方法，其特征在于，确定目标数据后，所述图表生成方法还包括：

设定多个预设标签；其中，所述预设标签是基于所述目标数据的属性进行设定的标签；

将所述目标数据的各数据项与各所述预设标签逐一对应，形成数据记录；

将基于所述目标数据形成的数据记录存储到数据库中。

6.根据权利要求1所述的图表生成方法，其特征在于，确定与所述目标数据对应的图表类型包括：

将所述目标数据输入至训练后的第二机器学习模型，以确定所述目标数据对应的图表类型。

7.根据权利要求6所述的图表生成方法，其特征在于，所述图表生成方法还包括：

确定所述目标图像所对应的图表类型后自动生成图表；或

响应用户对用于选择图表类型的预设配置项的操作，基于所述目标数据生成与所述预设配置项对应的图表。

8.一种图表生成装置，其特征在于，包括：

目标图像获取模块，用于获取目标图像；

目标数据确定模块，用于对所述目标图像进行图像识别，并从图像识别的结果中确定目标数据；

图表类型确定模块，用于确定与所述目标数据对应的图表类型；

图表生成模块，用于利用所述目标数据生成与所述图表类型对应的图表。

9.一种电子设备，其特征在于，包括：

处理器；以及

存储器，所述存储器上存储有计算机可读指令，所述计算机可读指令被所述处理器执行时实现根据权利要求1至7中任一项所述的图表生成方法。

10.一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现根据权利要求1至7中任一项所述的图表生成方法。