CN109948507A - 用于检测表格的方法和装置 - Google Patents
用于检测表格的方法和装置 Download PDFInfo
- Publication number
- CN109948507A CN109948507A CN201910192283.7A CN201910192283A CN109948507A CN 109948507 A CN109948507 A CN 109948507A CN 201910192283 A CN201910192283 A CN 201910192283A CN 109948507 A CN109948507 A CN 109948507A
- Authority
- CN
- China
- Prior art keywords
- cell
- area
- table area
- sample
- image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Image Analysis (AREA)
Abstract
本申请实施例公开了用于检测表格的方法和装置。该方法的一具体实施方式包括:将待检测表格图像输入预先训练的单元格检测模型,得到至少一个单元格信息,其中,单元格信息包括单元格区域,单元格检测模型用于表征表格图像和表格图像中单元格的单元格信息之间的对应关系;将待检测表格图像输入预先训练的表格检测模型,得到至少一个表格区域,表格检测模型用于表征表格图像和表格图像中表格的表格区域之间的对应关系;根据至少一个表格区域和至少一个单元格信息,确定至少一个单元格信息中的单元格区域所属的表格区域;对于至少一个表格区域中的每个表格区域,执行以下空间结构信息确定操作。该实施方式实现了表格检测的准确率。
Description
技术领域
本申请实施例涉及计算机技术领域,具体涉及用于检测表格的方法和装置。
背景技术
目前检测图像中的表格结构数据主要有检测直线法和文字投影法。检测直线法包括:第一步,识别表格图像中的水平垂直直线;第二步,通过直线构成的连通区域来确定表格区域,并根据水平垂直直线的相交点进行单元格的结构切分,从而获得表格结构;第三步,定位文字;第四步,识别文字内容。文字投影法通过深度学习模型识别表格区域,然后对表格区域内文字进行识别,对每个文字区域做水平和垂直投影来抽取表格结构。
发明内容
本申请实施例提出了用于检测表格的方法和装置。
第一方面,本申请实施例提供了一种用于检测表格的方法,该方法包括:将待检测表格图像输入预先训练的单元格检测模型,得到至少一个单元格信息,其中,单元格信息包括单元格区域,单元格检测模型用于表征表格图像和表格图像中单元格的单元格信息之间的对应关系;将待检测表格图像输入预先训练的表格检测模型,得到至少一个表格区域,表格检测模型用于表征表格图像和表格图像中表格的表格区域之间的对应关系;根据至少一个表格区域和至少一个单元格信息,确定至少一个单元格信息中的单元格区域所属的表格区域;对于至少一个表格区域中的每个表格区域,执行以下空间结构信息确定操作:对该表格区域进行光学字符识别,得到与该表格区域对应的字符识别结果;对于该表格区域所包括的每个单元格区域,根据与该表格区域对应的字符识别结果,确定该单元格区域所包括的字符识别结果;以及根据该表格区域所包括的单元格区域,确定该表格区域的空间结构信息。
在一些实施例中,单元格检测模型是通过如下训练步骤预先训练得到的:确定初始单元格检测模型的模型结构以及初始化初始单元格检测模型的模型参数;确定训练样本集,其中,训练样本包括样本表格图像和用于表征样本表格图像内的至少一个单元格的标注单元格信息;将训练样本集中的训练样本中的样本表格图像和标注单元格信息分别作为初始单元格检测模型的输入和期望输出,利用机器学习方法训练初始单元格检测模型;将训练得到的初始单元格检测模型确定为预先训练的单元格检测模型。
在一些实施例中,确定训练样本集,包括:确定至少一个样本表格中每个样本表格的表格区域以及该样本表格所包括的单元格的单元格信息和文本信息;对于至少一个样本表格中的每个样本表格,根据该表格的表格区域和所包括的单元格的单元格信息和文本信息,生成与该样本表格对应的表格图像;将至少一个样本表格中每个样本表格对应的表格图像和该样本表格所包括的单元格的单元格信息分别确定为训练样本集中的样本表格图像和标注单元格信息。
在一些实施例中,在将至少一个样本表格中每个样本表格对应的表格图像和该样本表格所包括的单元格的单元格信息分别确定为训练样本集中的样本表格图像和标注单元格信息之前,确定训练样本集还包括:对于至少一个样本表格中的每个样本表格,在与该样本表格对应的表格图像中添加噪声。
在一些实施例中,在对于至少一个表格区域中的每个表格区域,执行以下空间结构信息确定操作之前,该方法还包括:对于至少一个表格区域中的每个表格区域,执行以下第一重叠单元格删除操作:当该表格区域所包括的两个单元格区域的交集面积除以并集面积的比值大于第一预设比值阈值时,将两个单元格区域中面积较小的单元格区域删除。
在一些实施例中,在对于至少一个表格区域中的每个表格区域,执行以下空间结构信息确定操作之前,该方法还包括:对于至少一个表格区域中的每个表格区域,执行以下第二重叠单元格删除操作:将该表格区域所包括的交集面积除以较小面积的单元格区域面积的比值大于第二预设比值阈值的两个单元格区域中面积较大的单元格区域删除。
在一些实施例中,单元格信息还包括:用于表征待检测表格图像中单元格区域所指示的区域为单元格的概率值的置信度。
在一些实施例中,在将待检测表格图像输入预先训练的单元格检测模型,得到至少一个单元格信息之前,该方法还包括:获取目标图像;对目标图像进行图像预处理,得到待检测表格图像,图像预处理包括以下至少一项:去印章、去水印、图像摆正和图像压缩。
在一些实施例中,该方法还包括:对于至少一个表格区域中的每个表格区域,根据该表格区域的空间结构信息,以及该表格区域所包括的每个单元格区域的字符识别结果,生成与该表格区域对应的预设格式的表格数据。
第二方面,本申请实施例提供了一种用于检测表格的装置,该装置包括:单元格检测单元,被配置成将待检测表格图像输入预先训练的单元格检测模型,得到至少一个单元格信息,其中,单元格信息包括单元格区域,单元格检测模型用于表征表格图像和表格图像中单元格的单元格信息之间的对应关系;表格区域确定单元,被配置成将待检测表格图像输入预先训练的表格检测模型,得到至少一个表格区域,表格检测模型用于表征表格图像和表格图像中表格的表格区域之间的对应关系;单元格所属表格确定单元,被配置成根据至少一个表格区域和至少一个单元格信息,确定至少一个单元格信息中的单元格区域所属的表格区域;空间结构确定单元,被配置成对于至少一个表格区域中的每个表格区域,执行以下空间结构信息确定操作:对该表格区域进行光学字符识别,得到与该表格区域对应的字符识别结果;对于该表格区域所包括的每个单元格区域,根据与该表格区域对应的字符识别结果,确定该单元格区域所包括的字符识别结果;以及根据该表格区域所包括的单元格区域,确定该表格区域的空间结构信息。
在一些实施例中,单元格检测模型是通过如下训练步骤预先训练得到的:确定初始单元格检测模型的模型结构以及初始化初始单元格检测模型的模型参数;确定训练样本集,其中,训练样本包括样本表格图像和用于表征样本表格图像内的至少一个单元格的标注单元格信息;将训练样本集中的训练样本中的样本表格图像和标注单元格信息分别作为初始单元格检测模型的输入和期望输出,利用机器学习方法训练初始单元格检测模型;将训练得到的初始单元格检测模型确定为预先训练的单元格检测模型。
在一些实施例中,确定训练样本集,包括:确定至少一个样本表格中每个样本表格的表格区域以及该样本表格所包括的单元格的单元格信息和文本信息;对于至少一个样本表格中的每个样本表格,根据该表格的表格区域和所包括的单元格的单元格信息和文本信息,生成与该样本表格对应的表格图像;将至少一个样本表格中每个样本表格对应的表格图像和该样本表格所包括的单元格的单元格信息分别确定为训练样本集中的样本表格图像和标注单元格信息。
在一些实施例中,在将至少一个样本表格中每个样本表格对应的表格图像和该样本表格所包括的单元格的单元格信息分别确定为训练样本集中的样本表格图像和标注单元格信息之前,确定训练样本集还包括:对于至少一个样本表格中的每个样本表格,在与该样本表格对应的表格图像中添加噪声。
在一些实施例中,该装置还包括:第一重叠单元格删除单元,被配置成在对于至少一个表格区域中的每个表格区域,执行以下空间结构信息确定操作之前,对于至少一个表格区域中的每个表格区域,执行以下第一重叠单元格删除操作:当该表格区域所包括的两个单元格区域的交集面积除以并集面积的比值大于第一预设比值阈值时,将两个单元格区域中面积较小的单元格区域删除。
在一些实施例中,该装置还包括:第二重叠单元格删除单元,被配置成在对于至少一个表格区域中的每个表格区域,执行以下空间结构信息确定操作之前,对于至少一个表格区域中的每个表格区域,执行以下第二重叠单元格删除操作:将该表格区域所包括的交集面积除以较小面积的单元格区域面积的比值大于第二预设比值阈值的两个单元格区域中面积较大的单元格区域删除。
在一些实施例中,单元格信息还包括:用于表征待检测表格图像中单元格区域所指示的区域为单元格的概率值的置信度。
在一些实施例中,该装置还包括:获取单元,被配置成获取目标图像;预处理单元,被配置成对目标图像进行图像预处理,得到待检测表格图像,图像预处理包括以下至少一项:去印章、去水印、图像摆正和图像压缩。
在一些实施例中,该装置还包括:生成单元,被配置成对于至少一个表格区域中的每个表格区域,根据该表格区域的空间结构信息,以及该表格区域所包括的每个单元格区域的字符识别结果,生成与该表格区域对应的预设格式的表格数据。
第三方面,本申请实施例提供了一种电子设备,包括:一个或多个处理器;存储装置,其上存储有一个或多个程序,当上述一个或多个程序被上述一个或多个处理器执行时,使得上述一个或多个处理器实现如第一方面中任一实现方式描述的方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,其上存储有计算机程序,其中,该计算机程序被一个或多个处理器执行时实现如第一方面中任一实现方式描述的方法。
现有技术中往往采用主要有检测直线法和文字投影法来检测图像中的表格的结构数据。其中,检测直线法中采用水平垂直直线来提取表格区域,并进行结构切分获得表格结构解析,可见,这种方法更适用于提取由规则直线构成的表格区域,对于非规则直线构成的表格区域、非封闭性表格和存在非刚性形变情况的表格识别效果较差。而且检测直线法中经第一步:识别表格图像中的水平垂直直线和第二步:通过直线构成的连通区域来决定表格区域,并根据水平垂直直线的相交点进行单元格的结构切分,从而获得表格结构识别之后得到的表格往往噪音较大,准确率也较低。文字投影法更适用于表格行列中文字稀疏,行列区分明显的表格图像,对于表格内文字排列紧密时,则无法有效正确的解析出合并单元格和表格列的划分。
本申请实施例提供的用于检测表格的方法和装置,将待检测表格图像输入预先训练的单元格检测模型,得到至少一个单元格信息,其中,单元格信息包括单元格区域,单元格检测模型用于表征表格图像和表格图像中单元格的单元格信息之间的对应关系,再将待检测表格图像输入预先训练的表格检测模型,得到至少一个表格区域,其中,表格检测模型用于表征表格图像和表格图像中表格的表格区域之间的对应关系,然后根据至少一个表格区域和至少一个单元格信息,确定至少一个单元格信息中的单元格区域所属的表格区域,最后对至少一个表格区域中的每个表格区域,执行以下空间结构信息确定操作:对该表格区域进行光学字符识别,得到与该表格区域对应的字符识别结果;对于该表格区域所包括的每个单元格区域,根据与该表格区域对应的字符识别结果,确定该单元格区域所包括的字符识别结果;确定该表格区域的空间结构信息。其中,单元格识别部分和表格识别部分均采用了预先训练的机器学习模型,有效避免了检测直线法和文字投影法可能遇到的问题,可以提高对非规则直线构成的表格区域、非封闭性表格和存在非刚性形变情况的表格的识别准确率,以及提高表格内文字排列紧密的表格的识别准确率。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1是本申请的一个实施例可以应用于其中的示例性系统架构图;
图2A是根据本申请的用于检测表格的方法的一个实施例的流程图;
图2B是根据本申请的空间结构信息确定操作的一个实施例的流程图;
图3A是根据本申请的训练步骤的一个实施例的流程图;
图3B是根据本申请的步骤302的一个实施例的分解流程图;
图4是根据本申请的用于检测表格的方法的一个应用场景的示意图;
图5是根据本申请的用于检测表格的方法的又一个实施例的流程图;
图6是根据本申请的用于检测表格的装置的一个实施例的结构示意图;
图7是适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请的用于检测表格的方法或用于检测表格的装置的实施例的示例性系统架构100。
如图1所示,系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。当然,用户也可以直接使用终端设备101、102、103本地实现表格检测功能,不需要服务器105的支持。在这种情况下,示例性系统架构100也可以没有图1中的服务器105。
终端设备101、102、103可以是硬件,也可以是软件。当终端设备101、102、103为硬件时,可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture Experts Group Audio Layer III,动态影像专家压缩标准音频层面3)、MP4(Moving Picture Experts Group Audio Layer IV,动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时,可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务),也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以是提供各种服务的服务器,例如对从终端设备101、102、103收到的待检测表格图像提供表格检测服务的表格检测服务器。表格检测服务器可以对接收到的待检测表格图像进行分析等处理,并将处理结果(例如表格结构数据)反馈给终端设备。
需要说明的是,本申请实施例所提供的用于检测表格的方法一般由服务器105执行,相应地,用于检测表格的装置一般设置于服务器105中。
需要说明的是,服务器105可以是硬件,也可以是软件。当服务器为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当服务器为软件时,可以实现成多个软件或软件模块(例如用来提供分布式服务),也可以实现成单个软件或软件模块。在此不做具体限定。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
继续参考图2,其示出了根据本申请的用于检测表格的方法的一个实施例的流程200。该用于检测表格的方法,包括以下步骤:
步骤201,将待检测表格图像输入预先训练的单元格检测模型,得到至少一个单元格信息。
在本实施例中,用于检测表格的方法的执行主体(例如图1所示的服务器)可以将待检测表格图像输入预先训练的单元格检测模型,得到至少一个单元格信息。其中,待检测表格图像可以是包括表格的图像。单元格信息可以包括单元格区域。这里单元格区域用于表征单元格所占据的区域的位置范围。实践中可以采用各种表达方式来表示单元格区域。例如,单元格区域可以包括左上角坐标和右下角坐标,其中,左上角坐标是单元格的最小外接矩形的左上角顶点坐标,右下角坐标是单元格的最小外接矩形的右下角顶点坐标。又例如,单元格区域可以包括左上角坐标、长度和宽度,其中,左上角坐标是单元格的最小外接矩形的左上角顶点坐标,长度和宽度分别是单元格的最小外接矩形的长度和宽度。
在本实施例的一些可选的实现方式中,所得到的单元格信息还可以包括:用于表征待检测表格图像中单元格区域所指示的区域为单元格的概率值的置信度。
需要说明的是,单元格检测模型用于表征表格图像和表格图像中单元格的单元格信息之间的对应关系。
作为示例,单元格检测模型可以是技术人员基于大量的对图像进行特征提取所得到的特征向量和该图像内所包括的单元格的单元格信息标注结果的统计而预先制定的、存储有多个特征向量与单元格信息的对应关系的对应关系表。
在本实施例的一些可选的实现方式中,单元格检测模型也可以是通过训练步骤预先训练得到的。
请参考图3A,其示出了根据本申请的训练步骤的一个实施例的流程图:
步骤301,确定初始单元格检测模型的模型结构以及初始化初始单元格检测模型的模型参数。
这里,训练单元格检测模型的执行主体可以与用于检测表格的方法的执行主体相同或者不同。如果相同,则训练单元格检测模型的执行主体可以在训练得到单元格检测模型后将训练好的单元格检测模型的模型结构信息和模型参数的参数值存储在本地。如果不同,则训练单元格检测模型的执行主体可以在训练得到单元格检测模型后将训练好的单元格检测模型的模型结构信息和模型参数的参数值发送给用于检测表格的方法的执行主体。
这里,由于初始单元格检测模型可以包括各种类型的计算模型,对于不同类型的计算模型,所需要确定的模型结构信息也不相同。
可选地,初始单元格检测模型可以包括卷积神经网络。由于卷积神经网络是一个多层的神经网络,每层由多个二维平面组成,而每个平面由多个独立神经元组成,则这里需要确定卷积神经网络类型的初始单元格检测模型都包括哪些层,例如可以包括输入层、隐藏层和输出层,以及每层都包括哪些参数。例如,可以确定隐藏层都包括哪些层(例如,卷积层,池化层,激励函数层等等),层与层之间的连接顺序关系,以及每个层都包括哪些参数(例如,权重weight、偏置bias、卷积的步长)等等。其中,卷积层可以用于提取特征。针对每个卷积层可以确定有多少个卷积核,每个卷积核的大小,每个卷积核中的各个神经元的权重,每个卷积核对应的偏置项,相邻两次卷积之间的步长,是否需要填充,填充多少像素点和填充用的数值(一般是填充为0)等等。而池化层可以用于对输入的信息进行下采样(DownSample),以压缩数据和参数的量,减少过拟合。针对每个池化层可以确定该池化层的池化方法(例如,取区域平均值或者取区域最大值)。激励函数层用于对输入的信息进行非线性计算。针对每个激励函数层可以确定具体的激励函数。例如,激活函数可以是ReLU以及ReLU各种变种激活函数、Sigmoid函数、Tanh(双曲正切)函数、Maxout函数等等。又例如,可以确定输出层是否包括用于实现分类的分类器和用于计算数值的回归器,分类器的具体实现算法和参数,以及回归器的具体实现算法和参数。
然后,可以初始化初始单元格检测模型的模型参数。实践中,可以将初始单元格检测模型的各个模型参数用一些不同的小随机数进行初始化。“小随机数”用来保证模型不会因权重过大而进入饱和状态,从而导致训练失败,“不同”用来保证模型可以正常地学习。
步骤302,确定训练样本集。
这里,训练样本集中的训练样本可以包括样本表格图像和用于表征样本表格图像内的至少一个单元格的标注单元格信息。
需要说明的是,训练步骤的执行主体既可以先执行步骤301再执行步骤302,也可以先执行步骤302再执行步骤301,本申请对此不做具体限定。
在一些实现方式中,标注单元格信息除了包括单元格区域,还可以包括用于表征单元格区域所指示的区域为单元格的概率值的置信度。
在一些实现方式中,步骤302中所确定的训练样本集可以是由人工对预先采集的样本表格图像中的每个样本表格图像进行标注并得到对应的标注单元格信息。
在一些实现方式中,步骤302中可以包括如图3B所示的子步骤3021到子步骤3022。请参考图3B,其示出了根据本申请的步骤302的一个实施例的分解流程图:
步骤3021,确定至少一个样本表格中每个样本表格的表格区域以及该样本表格所包括的单元格的单元格信息和文本信息。
这里,可以采用各种实现方式确定至少一个样本表格中每个样本表格的表格区域以及该样本表格所包括的单元格的单元格信息。例如,可以采用默认指定或者随机指定的方式设置样本表格的数目,以及每个样本表格的表格区域以及该样本表格所包括的单元格的单元格信息。需要说明的是,为了使得单元格检测模型可以检测到各种类型的单元格,这里,步骤3021中所确定的单元格可以包括以下至少一项:横向合并单元格、纵向合并单元格、半封闭单元格、所合并的单元格数目超过第一预设数目的合并单元格、不包括合并单元格的单独单元格。
步骤3022,对于至少一个样本表格中的每个样本表格,根据该表格的表格区域和所包括的单元格的单元格信息和文本信息,生成与该样本表格对应的表格图像。
步骤3023,将至少一个样本表格中每个样本表格对应的表格图像和该样本表格所包括的单元格的单元格信息分别确定为训练样本集中的样本表格图像和标注单元格信息。
按照上述可选实现方式所确定的训练样本集,不需要人工标注数据的过程,可以大大减少训练单元格检测模型的人工成本和训练时间。
在一些可选实现方式中,在步骤3023之前,步骤302还可以包括步骤3024:
步骤3024,对于至少一个样本表格中的每个样本表格,在与该样本表格对应的表格图像中添加噪声。
这里,可以采用各种实现方式在与该样本表格对应的表格图像中添加噪声。例如,可以在与该样本表格对应的表格图像中加背景或者加模糊等等。
在与该样本表格对应的表格图像中添加噪声之后,所得到的与该样本表格对应的表格图像更加贴近实践中可能采集到的待检测表格图像,继而训练得到的单元格检测模型在单元格检测中的检测效果更好。
步骤303,将训练样本集中的训练样本中的样本表格图像和标注单元格信息分别作为初始单元格检测模型的输入和期望输出,利用机器学习方法训练初始单元格检测模型。
具体地,可以首先将训练样本集中的训练样本中的样本表格图像输入初始单元格检测模型,得到样本表格图的对应的单元格信息。然后,可以计算所得到的单元格信息与该训练样本中的标注单元格信息之间的差异。最后,可以基于计算所得的差异,调整初始单元格检测模型的模型参数,并在满足预设的训练结束条件的情况下,结束训练。例如,这里预设的训练结束条件可以包括以下至少一项:训练时间超过预设时长,训练次数超过预设次数,计算所得的差异小于预设差异阈值。
这里,可以采用各种实现方式基于所得到的单元格信息与该训练样本中的标注单元格信息之间的差异调整初始单元格检测模型的模型参数。例如,可以采用随机梯度下降(SGD,Stochastic Gradient Descent)、牛顿法(Newton's Method)、拟牛顿法(Quasi-Newton Methods)、共轭梯度法(Conjugate Gradient)、启发式优化方法以及其他现在已知或者未来开发的各种优化算法。
步骤304,将训练得到的初始单元格检测模型确定为预先训练的单元格检测模型。
在本实施例的一些可选的实现方式中,上述执行主体可以在步骤201之前执行以下步骤205和步骤206:
步骤205,获取目标图像。
这里,可以本地或者远程地获取目标图像,其中,目标图像可以是各种格式的包括表格的图像。
步骤206,对目标图像进行图像预处理,得到待检测表格图像。
这里,图像预处理包括以下至少一项:去印章、去水印、图像摆正和图像压缩。需要说明的是,上述各种图像预处理技术是目前广泛研究和应用的现有技术,在此不再赘述。
例如,对目标图像进行去印章操作,这里以去除红色印章为例,说明去印章操作的过程:先对目标图像分离颜色通道,分别得到红色通道图、绿色通道图和蓝色通道图,然后对红色通道图进行阈值化处理,再将红色通道图、绿色通道图和蓝色通道图合并得到的新的图像就可以去除红色印章。
又例如,去水印可以先检测目标图像中是否有水印和水印位置信息。如果检测到有水印,可以将在目标图像的水印位置信息所指示的图像区域去除水印,最后得到水印去除后的目标图像。
再例如,图像摆正可以先利用光学字符识别技术确定获取字符方向,然后可以根据文字方向角度,对目标图像先进行方向旋转,再对目标图像进行边缘检测后进行霍夫线检测并计算旋转角度,最后将目标图像旋转计算得到的旋转角度。
还例如,图像压缩是由于图像尺寸太大可能会影响光学字符识别的效率和单元格检测的效率,故可以对图像大小进行调整,即实现图像压缩。
步骤202,将待检测表格图像输入预先训练的表格检测模型,得到至少一个表格区域。
在本实施例中,上述执行主体(例如图1所示的服务器)可以将待检测表格图像输入预先训练的表格检测模型,得到至少一个表格区域。这里表格区域用于表征表格所占据的区域的位置范围。实践中可以采用各种表达方式来表示表格区域。例如,表格区域可以包括左上角坐标和右下角坐标,其中,左上角坐标是表格的最小外接矩形的左上角顶点坐标,右下角坐标是表格的最小外接矩形的右下角顶点坐标。又例如,表格可以包括左上角坐标、长度和宽度,其中,左上角坐标是表格的最小外接矩形的左上角顶点坐标,长度和宽度分别是表格的最小外接矩形的长度和宽度。需要说明的是,这里,表格检测模型用于表征表格图像和表格图像中表格的表格区域之间的对应关系。
作为示例,表格检测模型可以是技术人员基于大量的对图像进行特征提取所得到的特征向量和该图像内所包括的表格区域标注结果的统计而预先制定的、存储有多个特征向量与表格区域的对应关系的对应关系表。
在本实施例的一些可选的实现方式中,表格检测模型可以是与图3A所示的训练步骤类似的方法预先训练得到的。可以理解的是,表格检测模型的训练样本集中的标注信息可以是样本表格图像内的表格的标注表格区域,而不再是标注单元格信息。
在本实施例的一些可选的实现方式中,将待检测表格图像输入预先训练的表格检测模型,除了可以得到至少一个表格区域,还可以得到用于表征待检测表格图像中每个表格区域是表格的概率值的置信度。
需要说明的是,上述执行主体既可以先执行步骤201再执行步骤202,也可以先执行步骤202再执行步骤201,本申请对此不做具体限定。
步骤203,根据至少一个表格区域和至少一个单元格信息,确定至少一个单元格信息中的单元格区域所属的表格区域。
在本实施例中,上述执行者主体可以采用各种实现方式根据至少一个表格区域和至少一个单元格信息,确定至少一个单元格信息中的单元格区域所属的表格区域。
在本实施例的一些可选的实现方式中,步骤203可以如下进行:
对于至少一个单元格信息中的每个单元格信息,确定该单元格信息中的单元格区域所属的表格区域为该单元格信息中的单元格区域的中心点坐标所在的表格区域。可以理解的是,如果确定该单元格信息中的单元格区域的中心点坐标不在任何表格区域内,那么可以确定这个单元格信息所表征的不是一个单元格,而是一个非单元格,例如可以是方形图标或者印章等在步骤201中被误识别为单元格,这时,可以将该单元格信息删除。
在本实施例的一些可选的实现方式中,单元格区域可以包括左上角坐标和右下角坐标,这样,步骤203也可以如下进行:对于至少一个单元格信息中的每个单元格信息,确定该单元格信息中的单元格区域所属的表格区域为该单元格信息中的单元格区域的左上角坐标和右下角坐标都所在的表格区域。可以理解的是,如果确定该单元格信息中的单元格区域的左上角坐标和右下角坐标不在任何表格区域内,那么也可以确定这个单元格信息所表征的不是一个单元格,而是一个非单元格,例如可以是方形图标或者印章等在步骤201中被误识别为单元格,这时,也可以将该单元格信息删除。
步骤204,对于至少一个表格区域中的每个表格区域,执行空间结构信息确定操作。
在本实施例中,上述执行主体可以对于步骤202中所确定的至少一个表格区域中的每个表格区域,执行空间结构信息确定操作。请参考图2B,其示出了根据本申请的空间结构信息确定操作的一个实施例的流程图:
步骤2041,对该表格区域进行光学字符识别,得到与该表格区域对应的字符识别结果。
需要说明的是,光学字符识别是目前广泛研究和应用的现有技术,在此不再赘述。
这里,字符识别结果可以包括字符和字符区域。其中,字符区域用于表征字符所占据的区域的位置范围。实践中可以采用各种表达方式来表示字符区域。例如,字符区域可以包括左上角坐标和右下角坐标,其中,左上角坐标是字符的最小外接矩形的左上角顶点坐标,右下角坐标是字符的最小外接矩形的右下角顶点坐标。又例如,字符区域可以包括左上角坐标、长度和宽度,其中,左上角坐标是字符的最小外接矩形的左上角顶点坐标,长度和宽度分别是字符的最小外接矩形的长度和宽度。
子步骤2042,对于该表格区域所包括的每个单元格区域,根据与该表格区域对应的字符识别结果,确定该单元格区域所包括的字符识别结果。
这里,上述执行主体可以对于该表格区域所包括的每个单元格区域,将该表格区域对应的字符识别结果中字符区域在该单元格区域内的字符识别结果确定为该单元格区域所包括的字符识别结果。
子步骤2043,根据该表格区域所包括的单元格区域,确定该表格区域的空间结构信息。
在本实施例中,上述执行主体可以根据该表格区域所包括的单元格区域,确定该表格区域的空间结构信息。这里,该表格区域的空间结构信息可以包括:该表格区域包括几行几列,该表格区域所包括的每个单元格区域所属行的行信息(例如,第几行,行的左上角坐标和右下角坐标,行高度,行宽度),所属列的列信息(例如,第几列,列的左上角坐标和右下角坐标,列高度,列宽度)等等,每个单元格是否是合并单元格,以及具体合并了哪些单元格等等。
在本实施例的一些可选的实现方式中,上述执行主体可以在执行完步骤204之后执行以下步骤207:
步骤207,对于至少一个表格区域中的每个表格区域,根据该表格区域的空间结构信息,以及该表格区域所包括的每个单元格区域的字符识别结果,生成与该表格区域对应的预设格式的表格数据。
这里,预设格式可以是默认设置的,也可以提供供用户设置预设格式的界面,并接收用户在上述界面中指定的预设格式。作为示例,预设格式可以是HTML(HyperText MarkupLanguage,超级文本标记语言),Excel(Microsoft Excel是Microsoft为使用Windows和Apple Macintosh操作系统的电脑编写的一款电子表格软件)或者JSON(JavaScriptObject Notation,JavaScript对象简谱)等可以记录表格结构化数据的文件格式。
继续参见图4,图4是根据本实施例的用于检测表格的方法的应用场景的一个示意图。在图4的应用场景中,服务器401可以首先将待检测表格图像402输入预先训练的单元格检测模型403,得到至少一个单元格信息404;然后,服务器401将待检测表格图像402输入预先训练的表格检测模型405,得到至少一个表格区域406;接着,服务器401根据至少一个表格区域406和至少一个单元格信息404,确定至少一个单元格信息404中的单元格区域所属的表格区域;最后,服务器401对于至少一个表格区域中的每个表格区域,执行空间结构信息确定操作,确定每个表格区域的空间结构信息407。
本申请的上述实施例提供的方法通过利用单元格检测模型检测单元格以及利用表格检测模型检测表格,有效避免了检测直线法和文字投影法可能遇到的问题,可以提高对非规则直线构成的表格区域、非封闭性表格和存在非刚性形变情况的表格的识别准确率,以及提高表格内文字排列紧密的表格的识别准确率。
进一步参考图5,其示出了用于检测表格的方法的又一个实施例的流程500。该用于检测表格的方法的流程500,包括以下步骤:
步骤501,将待检测表格图像输入预先训练的单元格检测模型,得到至少一个单元格信息。
步骤502,将待检测表格图像输入预先训练的表格检测模型,得到至少一个表格区域。
步骤503,根据至少一个表格区域和至少一个单元格信息,确定至少一个单元格信息中的单元格区域所属的表格区域。
在本实施例中,步骤501、步骤502和步骤503的具体操作与图2所示的实施例中步骤201、步骤202和步骤203的操作基本相同,在此不再赘述。
步骤504,对于至少一个表格区域中的每个表格区域,执行第一重叠单元格删除操作。
对至少一个表格区域中的每个表格区域,执行以下第一重叠单元格删除操作:当该表格区域所包括的两个单元格区域的交集面积除以并集面积的比值大于第一预设比值阈值时,将两个单元格区域中面积较小的单元格区域删除。即,如果两个单元格区域的交并比(交集面积除以并集面积的比值)较大,表明这两个单元格是同一个单元格的重复而已,那么将其中面积较小的删除,而保留其中面积较大的,相当于是删除了重复的那个单元格。
步骤505,对于至少一个表格区域中的每个表格区域,执行第二重叠单元格删除操作。
对至少一个表格区域中的每个表格区域,执行以下第二重叠单元格删除操作:将该表格区域所包括的交集面积除以较小面积的单元格区域面积的比值大于第二预设比值阈值的两个单元格区域中面积较大的单元格区域删除。即,如果两个单元格区域的交集面积除以较小面积的单元格区域面积的比值较大,表明这两个单元格中面积较大的单元格覆盖了面积较小的单元格,那么将其中面积较大的删除,而保留其中面积较小的,相当于是删除了覆盖掉小单元格的大的无用单元格。
步骤506,对于至少一个表格区域中的每个表格区域,执行空间结构信息确定操作。
在本实施例中,步骤506的具体操作与图2所示的实施例中步骤204的操作基本相同,在此不再赘述。
从图5中可以看出,与图2对应的实施例相比,本实施例中的用于检测表格的方法的流程500多出了删除表格区域中重叠单元格的步骤。由此,本实施例描述的方案可以提高单元格检测的准确率,进而进一步提高表格检测的准确率。
进一步参考图6,作为对上述各图所示方法的实现,本申请提供了一种用于检测表格的装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图6所示,本实施例的用于检测表格的装置600包括:单元格检测单元601、表格区域确定单元602、单元格所属表格确定单元603和空间结构确定单元604。其中,单元格检测单元601,被配置成将待检测表格图像输入预先训练的单元格检测模型,得到至少一个单元格信息,其中,单元格信息包括单元格区域,上述单元格检测模型用于表征表格图像和表格图像中单元格的单元格信息之间的对应关系;表格区域确定单元602,被配置成将上述待检测表格图像输入预先训练的表格检测模型,得到至少一个表格区域,上述表格检测模型用于表征表格图像和表格图像中表格的表格区域之间的对应关系;单元格所属表格确定单元603,被配置成根据上述至少一个表格区域和上述至少一个单元格信息,确定上述至少一个单元格信息中的单元格区域所属的表格区域;空间结构确定单元604,被配置成对于上述至少一个表格区域中的每个表格区域,执行以下空间结构信息确定操作:对该表格区域进行光学字符识别,得到与该表格区域对应的字符识别结果;对于该表格区域所包括的每个单元格区域,根据与该表格区域对应的字符识别结果,确定该单元格区域所包括的字符识别结果;以及根据该表格区域所包括的单元格区域,确定该表格区域的空间结构信息。
在本实施例中,用于检测表格的装置600的单元格检测单元601、表格区域确定单元602、单元格所属表格确定单元603和空间结构确定单元604的具体处理及其所带来的技术效果可分别参考图2A对应实施例中步骤201、步骤202、步骤203和步骤204的相关说明,在此不再赘述。
在本实施例的一些可选的实现方式中,上述单元格检测模型可以是通过如下训练步骤预先训练得到的:确定初始单元格检测模型的模型结构以及初始化上述初始单元格检测模型的模型参数;确定训练样本集,其中,训练样本包括样本表格图像和用于表征样本表格图像内的至少一个单元格的标注单元格信息;将上述训练样本集中的训练样本中的样本表格图像和标注单元格信息分别作为上述初始单元格检测模型的输入和期望输出,利用机器学习方法训练上述初始单元格检测模型;将训练得到的上述初始单元格检测模型确定为上述预先训练的单元格检测模型。
在本实施例的一些可选的实现方式中,上述确定训练样本集可以包括:确定至少一个样本表格中每个样本表格的表格区域以及该样本表格所包括的单元格的单元格信息和文本信息;对于上述至少一个样本表格中的每个样本表格,根据该表格的表格区域和所包括的单元格的单元格信息和文本信息,生成与该样本表格对应的表格图像;将上述至少一个样本表格中每个样本表格对应的表格图像和该样本表格所包括的单元格的单元格信息分别确定为训练样本集中的样本表格图像和标注单元格信息。
在本实施例的一些可选的实现方式中,在将上述至少一个样本表格中每个样本表格对应的表格图像和该样本表格所包括的单元格的单元格信息分别确定为训练样本集中的样本表格图像和标注单元格信息之前,上述确定训练样本集还可以包括:对于上述至少一个样本表格中的每个样本表格,在与该样本表格对应的表格图像中添加噪声。
在本实施例的一些可选的实现方式中,上述装置600还可以包括:第一重叠单元格删除单元605,被配置成在对于上述至少一个表格区域中的每个表格区域,执行以下空间结构信息确定操作之前,对于上述至少一个表格区域中的每个表格区域,执行以下第一重叠单元格删除操作:当该表格区域所包括的两个单元格区域的交集面积除以并集面积的比值大于第一预设比值阈值时,将两个单元格区域中面积较小的单元格区域删除。
在本实施例的一些可选的实现方式中,上述装置600还可以包括:第二重叠单元格删除单元606,被配置成在对于上述至少一个表格区域中的每个表格区域,执行以下空间结构信息确定操作之前,对于上述至少一个表格区域中的每个表格区域,执行以下第二重叠单元格删除操作:将该表格区域所包括的交集面积除以较小面积的单元格区域面积的比值大于第二预设比值阈值的两个单元格区域中面积较大的单元格区域删除。
在本实施例的一些可选的实现方式中,上述单元格信息还可以包括:用于表征上述待检测表格图像中单元格区域所指示的区域为单元格的概率值的置信度。
在本实施例的一些可选的实现方式中,上述装置600还可以包括:获取单元607,被配置成获取目标图像;预处理单元608,被配置成对上述目标图像进行图像预处理,得到上述待检测表格图像,上述图像预处理包括以下至少一项:去印章、去水印、图像摆正和图像压缩。
在本实施例的一些可选的实现方式中,上述装置600还可以包括:生成单元609,被配置成对于上述至少一个表格区域中的每个表格区域,根据该表格区域的空间结构信息,以及该表格区域所包括的每个单元格区域的字符识别结果,生成与该表格区域对应的预设格式的表格数据。
需要说明的是,本申请实施例提供的用于检测表格的装置中各单元的实现细节和技术效果可以参考本申请中其它实施例的说明,在此不再赘述。
下面参考图7,其示出了适于用来实现本申请实施例的电子设备的计算机系统700的结构示意图。图7示出的电子设备仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图7所示,计算机系统700包括中央处理单元(CPU,Central Processing Unit)701,其可以根据存储在只读存储器(ROM,Read Only Memory)702中的程序或者从存储部分708加载到随机访问存储器(RAM,Random Access Memory)703中的程序而执行各种适当的动作和处理。在RAM 703中,还存储有系统700操作所需的各种程序和数据。CPU 701、ROM702以及RAM 703通过总线704彼此相连。输入/输出(I/O,Input/Output)接口705也连接至总线704。
以下部件连接至I/O接口705:包括键盘、鼠标等的输入部分706;包括诸如阴极射线管(CRT,Cathode Ray Tube)、液晶显示器(LCD,Liquid Crystal Display)等以及扬声器等的输出部分707;包括硬盘等的存储部分708;以及包括诸如LAN(局域网,Local AreaNetwork)卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至I/O接口705。可拆卸介质711,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器710上,以便于从其上读出的计算机程序根据需要被安装入存储部分708。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分709从网络上被下载和安装,和/或从可拆卸介质711被安装。在该计算机程序被中央处理单元(CPU)701执行时,执行本申请的方法中限定的上述功能。需要说明的是,本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——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。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机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。而在本申请中,计算机可读的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,其中承载了计算机可读的程序代码。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。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、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。计算机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、电线、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或其组合来编写用于执行本申请的操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,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机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括单元格检测单元、表格区域确定单元、单元格所属表格确定单元和空间结构确定单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,单元格检测单元还可以被描述为“将待检测表格图像输入预先训练的单元格检测模型,得到至少一个单元格信息的单元”。
作为另一方面,本申请还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的装置中所包含的;也可以是单独存在,而未装配入该装置中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该装置执行时,使得该装置:将待检测表格图像输入预先训练的单元格检测模型,得到至少一个单元格信息,其中,单元格信息包括单元格区域,单元格检测模型用于表征表格图像和表格图像中单元格的单元格信息之间的对应关系;将待检测表格图像输入预先训练的表格检测模型,得到至少一个表格区域,表格检测模型用于表征表格图像和表格图像中表格的表格区域之间的对应关系;根据至少一个表格区域和至少一个单元格信息,确定至少一个单元格信息中的单元格区域所属的表格区域;对于至少一个表格区域中的每个表格区域,执行以下空间结构信息确定操作:对该表格区域进行光学字符识别,得到与该表格区域对应的字符识别结果;对于该表格区域所包括的每个单元格区域,根据与该表格区域对应的字符识别结果,确定该单元格区域所包括的字符识别结果;以及根据该表格区域所包括的单元格区域,确定该表格区域的空间结构信息。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (20)
1.一种用于检测表格的方法,包括:
将待检测表格图像输入预先训练的单元格检测模型,得到至少一个单元格信息,其中,单元格信息包括单元格区域,所述单元格检测模型用于表征表格图像和表格图像中单元格的单元格信息之间的对应关系;
将所述待检测表格图像输入预先训练的表格检测模型,得到至少一个表格区域,所述表格检测模型用于表征表格图像和表格图像中表格的表格区域之间的对应关系;
根据所述至少一个表格区域和所述至少一个单元格信息,确定所述至少一个单元格信息中的单元格区域所属的表格区域;
对于所述至少一个表格区域中的每个表格区域,执行以下空间结构信息确定操作:对该表格区域进行光学字符识别,得到与该表格区域对应的字符识别结果;对于该表格区域所包括的每个单元格区域,根据与该表格区域对应的字符识别结果,确定该单元格区域所包括的字符识别结果;以及根据该表格区域所包括的单元格区域,确定该表格区域的空间结构信息。
2.根据权利要求1所述的方法,其中,所述单元格检测模型是通过如下训练步骤预先训练得到的:
确定初始单元格检测模型的模型结构以及初始化所述初始单元格检测模型的模型参数;
确定训练样本集,其中,训练样本包括样本表格图像和用于表征样本表格图像内的至少一个单元格的标注单元格信息;
将所述训练样本集中的训练样本中的样本表格图像和标注单元格信息分别作为所述初始单元格检测模型的输入和期望输出,利用机器学习方法训练所述初始单元格检测模型;
将训练得到的所述初始单元格检测模型确定为所述预先训练的单元格检测模型。
3.根据权利要求2所述的方法,其中,所述确定训练样本集,包括:
确定至少一个样本表格中每个样本表格的表格区域以及该样本表格所包括的单元格的单元格信息和文本信息;
对于所述至少一个样本表格中的每个样本表格,根据该表格的表格区域和所包括的单元格的单元格信息和文本信息,生成与该样本表格对应的表格图像;
将所述至少一个样本表格中每个样本表格对应的表格图像和该样本表格所包括的单元格的单元格信息分别确定为训练样本集中的样本表格图像和标注单元格信息。
4.根据权利要求3所述的方法,其中,在将所述至少一个样本表格中每个样本表格对应的表格图像和该样本表格所包括的单元格的单元格信息分别确定为训练样本集中的样本表格图像和标注单元格信息之前,所述确定训练样本集还包括:
对于所述至少一个样本表格中的每个样本表格,在与该样本表格对应的表格图像中添加噪声。
5.根据权利要求1所述的方法,其中,在对于所述至少一个表格区域中的每个表格区域,执行以下空间结构信息确定操作之前,所述方法还包括:
对于所述至少一个表格区域中的每个表格区域,执行以下第一重叠单元格删除操作:当该表格区域所包括的两个单元格区域的交集面积除以并集面积的比值大于第一预设比值阈值时,将两个单元格区域中面积较小的单元格区域删除。
6.根据权利要求1所述的方法,其中,在对于所述至少一个表格区域中的每个表格区域,执行以下空间结构信息确定操作之前,所述方法还包括:
对于所述至少一个表格区域中的每个表格区域,执行以下第二重叠单元格删除操作:将该表格区域所包括的交集面积除以较小面积的单元格区域面积的比值大于第二预设比值阈值的两个单元格区域中面积较大的单元格区域删除。
7.根据权利要求1-6中任一所述的方法,其中,所述单元格信息还包括:
用于表征所述待检测表格图像中单元格区域所指示的区域为单元格的概率值的置信度。
8.根据权利要求7所述的方法,其中,在将待检测表格图像输入预先训练的单元格检测模型,得到至少一个单元格信息之前,所述方法还包括:
获取目标图像;
对所述目标图像进行图像预处理,得到所述待检测表格图像,所述图像预处理包括以下至少一项:去印章、去水印、图像摆正和图像压缩。
9.根据权利要求1所述的方法,其中,所述方法还包括:
对于所述至少一个表格区域中的每个表格区域,根据该表格区域的空间结构信息,以及该表格区域所包括的每个单元格区域的字符识别结果,生成与该表格区域对应的预设格式的表格数据。
10.一种用于检测表格的装置,包括:
单元格检测单元,被配置成将待检测表格图像输入预先训练的单元格检测模型,得到至少一个单元格信息,其中,单元格信息包括单元格区域,所述单元格检测模型用于表征表格图像和表格图像中单元格的单元格信息之间的对应关系;
表格区域确定单元,被配置成将所述待检测表格图像输入预先训练的表格检测模型,得到至少一个表格区域,所述表格检测模型用于表征表格图像和表格图像中表格的表格区域之间的对应关系;
单元格所属表格确定单元,被配置成根据所述至少一个表格区域和所述至少一个单元格信息,确定所述至少一个单元格信息中的单元格区域所属的表格区域;
空间结构确定单元,被配置成对于所述至少一个表格区域中的每个表格区域,执行以下空间结构信息确定操作:对该表格区域进行光学字符识别,得到与该表格区域对应的字符识别结果;对于该表格区域所包括的每个单元格区域,根据与该表格区域对应的字符识别结果,确定该单元格区域所包括的字符识别结果;以及根据该表格区域所包括的单元格区域,确定该表格区域的空间结构信息。
11.根据权利要求10所述的装置,其中,所述单元格检测模型是通过如下训练步骤预先训练得到的:
确定初始单元格检测模型的模型结构以及初始化所述初始单元格检测模型的模型参数;
确定训练样本集,其中,训练样本包括样本表格图像和用于表征样本表格图像内的至少一个单元格的标注单元格信息;
将所述训练样本集中的训练样本中的样本表格图像和标注单元格信息分别作为所述初始单元格检测模型的输入和期望输出,利用机器学习方法训练所述初始单元格检测模型;
将训练得到的所述初始单元格检测模型确定为所述预先训练的单元格检测模型。
12.根据权利要求11所述的装置,其中,所述确定训练样本集,包括:
确定至少一个样本表格中每个样本表格的表格区域以及该样本表格所包括的单元格的单元格信息和文本信息;
对于所述至少一个样本表格中的每个样本表格,根据该表格的表格区域和所包括的单元格的单元格信息和文本信息,生成与该样本表格对应的表格图像;
将所述至少一个样本表格中每个样本表格对应的表格图像和该样本表格所包括的单元格的单元格信息分别确定为训练样本集中的样本表格图像和标注单元格信息。
13.根据权利要求12所述的装置,其中,在将所述至少一个样本表格中每个样本表格对应的表格图像和该样本表格所包括的单元格的单元格信息分别确定为训练样本集中的样本表格图像和标注单元格信息之前,所述确定训练样本集还包括:
对于所述至少一个样本表格中的每个样本表格,在与该样本表格对应的表格图像中添加噪声。
14.根据权利要求10所述的装置,其中,所述装置还包括:
第一重叠单元格删除单元,被配置成在对于所述至少一个表格区域中的每个表格区域,执行以下空间结构信息确定操作之前,对于所述至少一个表格区域中的每个表格区域,执行以下第一重叠单元格删除操作:当该表格区域所包括的两个单元格区域的交集面积除以并集面积的比值大于第一预设比值阈值时,将两个单元格区域中面积较小的单元格区域删除。
15.根据权利要求10所述的装置,其中,所述装置还包括:
第二重叠单元格删除单元,被配置成在对于所述至少一个表格区域中的每个表格区域,执行以下空间结构信息确定操作之前,对于所述至少一个表格区域中的每个表格区域,执行以下第二重叠单元格删除操作:将该表格区域所包括的交集面积除以较小面积的单元格区域面积的比值大于第二预设比值阈值的两个单元格区域中面积较大的单元格区域删除。
16.根据权利要求10-15中任一所述的装置,其中,所述单元格信息还包括:
用于表征所述待检测表格图像中单元格区域所指示的区域为单元格的概率值的置信度。
17.根据权利要求16所述的装置,其中,所述装置还包括:
获取单元,被配置成获取目标图像;
预处理单元,被配置成对所述目标图像进行图像预处理,得到所述待检测表格图像,所述图像预处理包括以下至少一项:去印章、去水印、图像摆正和图像压缩。
18.根据权利要求10所述的装置,其中,所述装置还包括:
生成单元,被配置成对于所述至少一个表格区域中的每个表格区域,根据该表格区域的空间结构信息,以及该表格区域所包括的每个单元格区域的字符识别结果,生成与该表格区域对应的预设格式的表格数据。
19.一种电子设备,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如权利要求1-9中任一所述的方法。
20.一种计算机可读存储介质,其上存储有计算机程序,其中,所述计算机程序被一个或多个处理器执行时实现如权利要求1-9中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910192283.7A CN109948507B (zh) | 2019-03-14 | 2019-03-14 | 用于检测表格的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910192283.7A CN109948507B (zh) | 2019-03-14 | 2019-03-14 | 用于检测表格的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109948507A true CN109948507A (zh) | 2019-06-28 |
CN109948507B CN109948507B (zh) | 2021-05-07 |
Family
ID=67009799
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910192283.7A Active CN109948507B (zh) | 2019-03-14 | 2019-03-14 | 用于检测表格的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109948507B (zh) |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110489424A (zh) * | 2019-08-26 | 2019-11-22 | 北京香侬慧语科技有限责任公司 | 一种表格化信息提取的方法、装置、存储介质及电子设备 |
CN111340023A (zh) * | 2020-02-24 | 2020-06-26 | 创新奇智(上海)科技有限公司 | 文本识别方法及装置、电子设备、存储介质 |
CN111340000A (zh) * | 2020-03-23 | 2020-06-26 | 深圳智能思创科技有限公司 | 一种针对pdf文档表格提取优化方法及系统 |
CN111553187A (zh) * | 2020-03-20 | 2020-08-18 | 广联达科技股份有限公司 | 识别cad图纸中表格的方法及系统 |
CN111563453A (zh) * | 2020-05-07 | 2020-08-21 | 北京百度网讯科技有限公司 | 用于确定表格顶点的方法、装置、设备和介质 |
CN111709339A (zh) * | 2020-06-09 | 2020-09-25 | 北京百度网讯科技有限公司 | 一种票据图像识别方法、装置、设备及存储介质 |
CN111783735A (zh) * | 2020-07-22 | 2020-10-16 | 欧冶云商股份有限公司 | 一种基于人工智能的钢材单据解析系统 |
CN112200822A (zh) * | 2020-10-28 | 2021-01-08 | 广东南方数码科技股份有限公司 | 表格重建方法、装置、计算机设备及存储介质 |
CN112270165A (zh) * | 2020-10-19 | 2021-01-26 | 中译语通科技股份有限公司 | 一种表格的处理方法、装置、介质和电子设备 |
CN112528703A (zh) * | 2019-09-17 | 2021-03-19 | 珠海金山办公软件有限公司 | 一种识别表格结构的方法、装置及电子设备 |
CN112560545A (zh) * | 2019-09-10 | 2021-03-26 | 珠海金山办公软件有限公司 | 一种识别表格方向的方法、装置及电子设备 |
CN112766073A (zh) * | 2020-12-31 | 2021-05-07 | 贝壳技术有限公司 | 表格提取方法、装置、电子设备及可读存储介质 |
CN112861794A (zh) * | 2021-03-11 | 2021-05-28 | 浙江康旭科技有限公司 | 一种光学印刷文本和场景文本的通用检测算法 |
CN112906532A (zh) * | 2021-02-07 | 2021-06-04 | 杭州睿胜软件有限公司 | 图像处理方法和装置、电子设备和存储介质 |
CN113378789A (zh) * | 2021-07-08 | 2021-09-10 | 京东数科海益信息科技有限公司 | 单元格位置的检测方法、装置和电子设备 |
CN113496117A (zh) * | 2020-04-02 | 2021-10-12 | 北京庖丁科技有限公司 | 交叉检查表格中单元格数字内容的方法和电子设备 |
CN113627143A (zh) * | 2020-05-09 | 2021-11-09 | 北京金山数字娱乐科技有限公司 | 一种表格创建方法、装置、电子设备及存储介质 |
CN113806696A (zh) * | 2021-09-18 | 2021-12-17 | 上海观安信息技术股份有限公司 | 一种水印生成及溯源方法、装置、设备及存储介质 |
CN115082941A (zh) * | 2022-08-23 | 2022-09-20 | 平安银行股份有限公司 | 表格文档影像的表格信息获取方法及装置 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1667641A (zh) * | 2004-03-10 | 2005-09-14 | 富士通株式会社 | 字符识别方法 |
JP2007282074A (ja) * | 2006-04-11 | 2007-10-25 | Dainippon Printing Co Ltd | 2次元コードを備えたocr帳票記入情報登録システム、および、その方法 |
CN102193782A (zh) * | 2010-03-01 | 2011-09-21 | 北京中企开源信息技术有限公司 | 一种表格模型操作的方法 |
CN103685852A (zh) * | 2012-09-18 | 2014-03-26 | 富士施乐株式会社 | 图像处理设备和图像处理方法 |
US8700719B1 (en) * | 2010-05-18 | 2014-04-15 | Google Inc. | Embedded applications with access to attachments in hosted conversations |
CN107622233A (zh) * | 2017-09-11 | 2018-01-23 | 畅捷通信息技术股份有限公司 | 一种表格识别方法、识别系统及计算机装置 |
CN108416279A (zh) * | 2018-02-26 | 2018-08-17 | 阿博茨德(北京)科技有限公司 | 文档图像中的表格解析方法及装置 |
CN108491788A (zh) * | 2018-03-20 | 2018-09-04 | 上海眼控科技股份有限公司 | 一种用于财务报表单元格的智能提取方法及装置 |
CN109086714A (zh) * | 2018-07-31 | 2018-12-25 | 国科赛思(北京)科技有限公司 | 表格识别方法、识别系统及计算机装置 |
CN109447015A (zh) * | 2018-11-03 | 2019-03-08 | 上海犀语科技有限公司 | 一种处理表格图片中框选文字的方法及装置 |
-
2019
- 2019-03-14 CN CN201910192283.7A patent/CN109948507B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1667641A (zh) * | 2004-03-10 | 2005-09-14 | 富士通株式会社 | 字符识别方法 |
JP2007282074A (ja) * | 2006-04-11 | 2007-10-25 | Dainippon Printing Co Ltd | 2次元コードを備えたocr帳票記入情報登録システム、および、その方法 |
CN102193782A (zh) * | 2010-03-01 | 2011-09-21 | 北京中企开源信息技术有限公司 | 一种表格模型操作的方法 |
US8700719B1 (en) * | 2010-05-18 | 2014-04-15 | Google Inc. | Embedded applications with access to attachments in hosted conversations |
CN103685852A (zh) * | 2012-09-18 | 2014-03-26 | 富士施乐株式会社 | 图像处理设备和图像处理方法 |
CN107622233A (zh) * | 2017-09-11 | 2018-01-23 | 畅捷通信息技术股份有限公司 | 一种表格识别方法、识别系统及计算机装置 |
CN108416279A (zh) * | 2018-02-26 | 2018-08-17 | 阿博茨德(北京)科技有限公司 | 文档图像中的表格解析方法及装置 |
CN108491788A (zh) * | 2018-03-20 | 2018-09-04 | 上海眼控科技股份有限公司 | 一种用于财务报表单元格的智能提取方法及装置 |
CN109086714A (zh) * | 2018-07-31 | 2018-12-25 | 国科赛思(北京)科技有限公司 | 表格识别方法、识别系统及计算机装置 |
CN109447015A (zh) * | 2018-11-03 | 2019-03-08 | 上海犀语科技有限公司 | 一种处理表格图片中框选文字的方法及装置 |
Cited By (30)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110489424A (zh) * | 2019-08-26 | 2019-11-22 | 北京香侬慧语科技有限责任公司 | 一种表格化信息提取的方法、装置、存储介质及电子设备 |
CN112560545B (zh) * | 2019-09-10 | 2023-09-22 | 珠海金山办公软件有限公司 | 一种识别表格方向的方法、装置及电子设备 |
CN112560545A (zh) * | 2019-09-10 | 2021-03-26 | 珠海金山办公软件有限公司 | 一种识别表格方向的方法、装置及电子设备 |
CN112528703A (zh) * | 2019-09-17 | 2021-03-19 | 珠海金山办公软件有限公司 | 一种识别表格结构的方法、装置及电子设备 |
CN112528703B (zh) * | 2019-09-17 | 2023-11-03 | 珠海金山办公软件有限公司 | 一种识别表格结构的方法、装置及电子设备 |
CN111340023A (zh) * | 2020-02-24 | 2020-06-26 | 创新奇智(上海)科技有限公司 | 文本识别方法及装置、电子设备、存储介质 |
CN111340023B (zh) * | 2020-02-24 | 2022-09-09 | 创新奇智(上海)科技有限公司 | 文本识别方法及装置、电子设备、存储介质 |
CN111553187A (zh) * | 2020-03-20 | 2020-08-18 | 广联达科技股份有限公司 | 识别cad图纸中表格的方法及系统 |
CN111340000A (zh) * | 2020-03-23 | 2020-06-26 | 深圳智能思创科技有限公司 | 一种针对pdf文档表格提取优化方法及系统 |
CN113496117A (zh) * | 2020-04-02 | 2021-10-12 | 北京庖丁科技有限公司 | 交叉检查表格中单元格数字内容的方法和电子设备 |
CN113496117B (zh) * | 2020-04-02 | 2024-03-12 | 北京庖丁科技有限公司 | 交叉检查表格中单元格数字内容的方法和电子设备 |
CN111563453B (zh) * | 2020-05-07 | 2023-07-04 | 北京百度网讯科技有限公司 | 用于确定表格顶点的方法、装置、设备和介质 |
CN111563453A (zh) * | 2020-05-07 | 2020-08-21 | 北京百度网讯科技有限公司 | 用于确定表格顶点的方法、装置、设备和介质 |
CN113627143B (zh) * | 2020-05-09 | 2024-02-02 | 北京金山数字娱乐科技有限公司 | 一种表格创建方法、装置、电子设备及存储介质 |
CN113627143A (zh) * | 2020-05-09 | 2021-11-09 | 北京金山数字娱乐科技有限公司 | 一种表格创建方法、装置、电子设备及存储介质 |
US11854246B2 (en) | 2020-06-09 | 2023-12-26 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method, apparatus, device and storage medium for recognizing bill image |
CN111709339A (zh) * | 2020-06-09 | 2020-09-25 | 北京百度网讯科技有限公司 | 一种票据图像识别方法、装置、设备及存储介质 |
CN111709339B (zh) * | 2020-06-09 | 2023-09-19 | 北京百度网讯科技有限公司 | 一种票据图像识别方法、装置、设备及存储介质 |
CN111783735A (zh) * | 2020-07-22 | 2020-10-16 | 欧冶云商股份有限公司 | 一种基于人工智能的钢材单据解析系统 |
CN112270165A (zh) * | 2020-10-19 | 2021-01-26 | 中译语通科技股份有限公司 | 一种表格的处理方法、装置、介质和电子设备 |
CN112200822A (zh) * | 2020-10-28 | 2021-01-08 | 广东南方数码科技股份有限公司 | 表格重建方法、装置、计算机设备及存储介质 |
CN112766073B (zh) * | 2020-12-31 | 2022-06-10 | 贝壳找房(北京)科技有限公司 | 表格提取方法、装置、电子设备及可读存储介质 |
CN112766073A (zh) * | 2020-12-31 | 2021-05-07 | 贝壳技术有限公司 | 表格提取方法、装置、电子设备及可读存储介质 |
CN112906532A (zh) * | 2021-02-07 | 2021-06-04 | 杭州睿胜软件有限公司 | 图像处理方法和装置、电子设备和存储介质 |
CN112906532B (zh) * | 2021-02-07 | 2024-01-05 | 杭州睿胜软件有限公司 | 图像处理方法和装置、电子设备和存储介质 |
CN112861794A (zh) * | 2021-03-11 | 2021-05-28 | 浙江康旭科技有限公司 | 一种光学印刷文本和场景文本的通用检测算法 |
CN113378789B (zh) * | 2021-07-08 | 2023-09-26 | 京东科技信息技术有限公司 | 单元格位置的检测方法、装置和电子设备 |
CN113378789A (zh) * | 2021-07-08 | 2021-09-10 | 京东数科海益信息科技有限公司 | 单元格位置的检测方法、装置和电子设备 |
CN113806696A (zh) * | 2021-09-18 | 2021-12-17 | 上海观安信息技术股份有限公司 | 一种水印生成及溯源方法、装置、设备及存储介质 |
CN115082941A (zh) * | 2022-08-23 | 2022-09-20 | 平安银行股份有限公司 | 表格文档影像的表格信息获取方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN109948507B (zh) | 2021-05-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109948507A (zh) | 用于检测表格的方法和装置 | |
CN108510472B (zh) | 用于处理图像的方法和装置 | |
CN109508681A (zh) | 生成人体关键点检测模型的方法和装置 | |
CN102027504B (zh) | 轻量级三维显示 | |
CN109002842A (zh) | 图像识别方法和装置 | |
CN108038469A (zh) | 用于检测人体的方法和装置 | |
CN107578017A (zh) | 用于生成图像的方法和装置 | |
CN108304835A (zh) | 文字检测方法和装置 | |
CN109308469A (zh) | 用于生成信息的方法和装置 | |
CN107633218A (zh) | 用于生成图像的方法和装置 | |
CN109815156A (zh) | 页面中视觉元素的展示测试方法、装置、设备和存储介质 | |
CN107590482A (zh) | 信息生成方法和装置 | |
CN109272543A (zh) | 用于生成模型的方法和装置 | |
CN109308490A (zh) | 用于生成信息的方法和装置 | |
CN108961369A (zh) | 生成3d动画的方法和装置 | |
CN109446990A (zh) | 用于生成信息的方法和装置 | |
CN108228835B (zh) | 用于处理视频的方法和装置 | |
CN109375914A (zh) | 信息远程交互方法和系统 | |
CN108985228A (zh) | 应用于终端设备的信息生成方法和装置 | |
CN108229418A (zh) | 人体关键点检测方法和装置、电子设备、存储介质和程序 | |
CN110222726A (zh) | 图像处理方法、装置及电子设备 | |
CN109325996A (zh) | 用于生成信息的方法和装置 | |
CN109711508A (zh) | 图像处理方法和装置 | |
CN110334719A (zh) | 一种提取遥感影像中建筑物图像的方法及系统 | |
CN108446659A (zh) | 用于检测人脸图像的方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |