CN110135429A - 扫描文字分段方法、装置、计算机设备和存储介质 - Google Patents
扫描文字分段方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN110135429A CN110135429A CN201910312227.2A CN201910312227A CN110135429A CN 110135429 A CN110135429 A CN 110135429A CN 201910312227 A CN201910312227 A CN 201910312227A CN 110135429 A CN110135429 A CN 110135429A
- Authority
- CN
- China
- Prior art keywords
- character
- characters
- target text
- character number
- line
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 230000011218 segmentation Effects 0.000 title claims abstract description 32
- 230000009466 transformation Effects 0.000 claims abstract description 71
- 238000004590 computer program Methods 0.000 claims description 27
- 238000006243 chemical reaction Methods 0.000 claims description 17
- 238000007405 data analysis Methods 0.000 abstract 1
- 230000005540 biological transmission Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000012015 optical character recognition Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 241000208340 Araliaceae Species 0.000 description 2
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 2
- 235000003140 Panax quinquefolius Nutrition 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 235000008434 ginseng Nutrition 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000013467 fragmentation Methods 0.000 description 1
- 238000006062 fragmentation reaction Methods 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003032 molecular docking Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/14—Image acquisition
- G06V30/148—Segmentation of character regions
- G06V30/158—Segmentation of character regions using character size, text spacings or pitch estimation
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Character Input (AREA)
Abstract
本申请涉及数据分析领域,特别涉及一种扫描文字分段方法、装置、计算机设备和存储介质。所述方法包括:获取目标文档的图片;将目标文档的图片中的内容转换为对应的目标文字;统计目标文字的页面中每行的字符数,并获取目标文字的满行字符数;将满行字符数乘以预设系数得到参考字符数;将每行的字符数与参考字符数进行比较,在字符数小于参考字符数的所在行的最后一个字符之后加入换行符。从而能够为扫描后的文字内容准确分段。
Description
技术领域
本申请涉及计算机技术领域,特别是涉及一种扫描文字分段方法、装置、计算机设备和存储介质。
背景技术
随着数据技术的发展,越来越多的信息都通过网络处理和交互,因而对于纸质材料转换为电子格式的技术也层出不穷。
传统地,将纸质文本进行扫描,然后通过OCR识别技术识别出其中的文字内容;然而,发明人意识到,终端上的OCR扫描通过识别返回的结果只是识别每行的文字,无法告知后端段落结束的正确位置。
发明内容
基于此,有必要针对上述技术问题,提供一种能够为扫描后的文字内容准确分段的扫描文字分段方法、装置、计算机设备和存储介质。
一种扫描文字分段方法,所述方法包括:
获取目标文档的图片;
将所述目标文档的图片中的内容转换为对应的目标文字;
统计所述目标文字的页面中每行的字符数,并获取所述目标文字的满行字符数;
将所述满行字符数乘以预设系数得到参考字符数;
将所述每行的字符数与所述参考字符数进行比较,在字符数小于所述参考字符数的所在行的最后一个字符之后加入换行符。
在其中一个实施例中,所述获取所述目标文字的满行字符数,包括:
获取预设转化规则;
根据预设转化规则将所述目标文字的页面中的每一行的字符数转化为汉字数;
将所述目标文字页面中的汉字数最多的一行的汉字数作为满行字符数;
则所述将所述每行的字符数与所述参考字符数进行比较,在字符数小于所述参考字符数的所在行的最后一个字符之后加入换行符,包括:
将每行的汉字数与所述参考字符数进行比较,在汉字数小于所述参考字符数的所在行的最后一个字符之后加入换行符。
在其中一个实施例中,所述预设转化规则的生成方式,包括:
获取字符样本,并识别所述字符样本对应的字符种类;
计算每个所述字符种类对应的字符与汉字的占宽比;
根据所述占宽比生成所述预设转化规则。
在其中一个实施例中,所述根据预设转化规则将所述目标文字的页面中的每一行的字符数转化为汉字数,包括:
当检测出所述预设转化规则无法识别的非汉字字符时,对所述无法转化的非汉字字符对应的目标文字的内容进行标记;
将标记后的所述目标文字的页面发送至服务器;
接收所述服务器根据所述标记后的所述目标文字的页面返回的更新指令;
根据所述更新指令更新所述预设转化规则。
在其中一个实施例中,所述获取所述目标文字的满行字符数,包括:
获取所述目标文字页面上字符显示最长一行的宽度;
计算所述最长一行的两个字符之间的宽度以及所述最长一行中单个字符的宽度;
根据所述最长一行的两个字符之间的宽度和所述最长一行中单个字符的宽度计算得到所述最长一行的字符数作为满行字符数。
在其中一个实施例中,所述在字符数小于所述参考字符数的所在行的最后一个字符之后加入换行符之后,还包括:
将分段完的待处理文字发送至服务器;
接收所述服务器根据所述分段完的待处理文字返回的第二系数;
将所述预设系数更新为所述第二系数。
一种扫描文字分段装置,所述装置包括:
图片获取模块,用于获取目标文档的图片;
文字转换模块,用于将所述目标图片中的内容转换为对应的目标文字;
字符统计模块,用于统计所述目标文字的页面中每行的字符数,并获取所述目标文字的满行字符数;
参考字符数获取模块,用于将所述满行字符数乘以预设系数得到参考字符数;
分段模块,用于将所述每行的字符数与所述参考字符数进行比较,在字符数小于所述参考字符数的所在行的最后一个字符之后加入换行符。
在其中一个实施例中,所述字符统计模块,包括:
预设转化规则获取单元,用于获取预设转化规则;
汉字转化单元,用于根据预设转化规则将所述目标文字的页面中的每一行的字符数转化为汉字数;
满行字符数获取单元,用于将所述目标文字页面中的汉字数最多的一行的汉字数作为满行字符数;
则所述分段模块,还用于将每行的汉字数与所述参考字符数进行比较,在汉字数小于所述参考字符数的所在行的最后一个字符之后加入换行符。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。
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上述任一项所述的方法的步骤。
上述扫描文字分段方法、装置、计算机设备和存储介质,通过对扫描后得到的目标文字进行分析,根据目标文字的满行字符数和根据经验得到的预设系数的乘积作为判断是否分行的参考字符数,然后将每一行的字符数与参考字符数相比较,其中一行的字符数小于参考字符数则分行。上述方法,对实际扫描的目标文字进行分析,以此文本的满行字符和每一行的字符的数量作为分行依据,能够对扫描后的文字准确分行。
附图说明
图1为一个实施例中扫描文字分段方法的应用场景图;
图2为一个实施例中扫描文字分段方法的流程示意图;
图3为一个实施例中汉字转化步骤的流程示意图;
图4为一个实施例中扫描文字分段装置的结构框图;
图5为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的扫描文字分段方法,可以应用于如图1所示的应用环境中。其中,终端102通过网络与服务器104通过网络进行通信。终端接收到用户的扫描请求后,获取目标文档的图片并转换为对应的目标文字后,对目标文字进行分段,终端102将分段后的目标文字和在分段过程中发现的问题发送至服务器104。其中,终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备,服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种扫描文字分段方法,以该方法应用于图1中的终端102为例进行说明,包括以下步骤:
S202,获取目标文档的图片。
其中,目标文档的图片是终端通过扫描设备对需要转化的目标文档进行拍摄或者扫描得到的图片,目标文档是用户想要进行扫描并转化为可编辑文字的文档,例如法律文件或技术文档等。扫描设备为终端内置或外接的扫描设备,如手机或电脑的摄像头,或者电脑外接的扫描仪等。待扫描区域则是用户想要通过终端扫描内容的放置区域;当扫描设备为手机或电脑时,则待扫描区域为摄像头的拍摄区域;当扫描设备为外接扫描仪时,待扫描区域为扫描仪的扫描区。
具体地,用户当有扫描需求时,可将需扫描识别的文件放置到终端内置或对接扫描设备的待扫描区域,通过扫描设备采集需扫描识别的目标文档的图片。
S204,将目标文档的图片中的内容转换为对应的目标文字。
具体地,终端采集到目标图片后,可以通过终端内置或外接的内容识别设备将目标图片转化为可编辑的文字(或字符)形式的目标文字,得到目标文字。其中,内容识别设备是用于将图片中的文字转化为可编辑的目标文字的设备,可以指OCR识别设备等;OCR(Optical Character Recognition,光学字符识别)设备是指检查图片上的字符,通过检测暗、亮的模式确定其形状,然后用字符识别方法将形状翻译成计算机文字的过程的设备。
S206,统计目标文字的页面中每行的字符数,并获取目标文字的满行字符数。
具体地,终端统计目标文字的页面中每一行的字符数,并识别目标文字的最长的一行,将页面中的最长一行的字符数作为满行字符数。满行字符数是目标文字中最长一行的字符的个数,可以为一页中的最长一行,也可以是页面中的一个部分的一行或者相同排版文字的多页文档中第一页或整个目标文档的最长的一行,用户可以根据目标文档的排版情况来设定,终端也可自动识别目标文字的行段的间距来判定;在文档字符种类相同时,终端也可以将字符数最多的一行作为满行字符数。
S208,将满行字符数乘以预设系数得到参考字符数。
具体地,终端将上述步骤S206中得到的满行字符数乘以预设系数的乘积作为判断其他行是否分段的参考字符数。其中,预设系数是技术人员根据对历史文本的分析得到的用于校验不同字符的对齐差值得到的预设系数,可设置在0.85-0.9之间。
S210,将每行的字符数与参考字符数进行比较,在字符数小于参考字符数的所在行的最后一个字符之后加入换行符。
具体地,终端将统计得到的每行的字符数与参考字符数比较,如果该行的字符数小于参考字符数,则在此行最后加入分段符号“/n”,若该行的字符数大于等于参考字符数,则认为其未分段,不需加入分段符号。终端逐行判断此行是否分段,直至将目标文字分段完成。
可选地,终端执行完上述步骤后,可将分段完成的目标文字发送至服务器存档,也可以保存在终端的文件夹中,供操作终端的用户使用和共享。
上述扫描文字分段方法,通过对扫描并转换后得到的目标文字进行分析,根据目标文字的满行字符数和根据经验得到的预设系数的乘积作为判断是否分行的参考字符数,然后将每一行的字符数与参考字符数相比较,其中一行的字符数小于参考字符数则分行。上述方法,对实际扫描的目标文字进行分析,以此文本的满行字符和每一行的字符的数量作为分行依据,能够对扫描后的文字准确分行。
在一个实施例中,上述扫描文字分段方法中的步骤S206中的获取目标文字的满行字符数,可以包括:获取预设转化规则;根据预设转化规则将目标文字的页面中的每一行的字符数转化为汉字数;将目标文字页面中的汉字数最多的一行的汉字数作为满行字符数。则上述步骤S210中的将每行的字符数与参考字符数进行比较,在字符数小于参考字符数的所在行的最后一个字符之后加入换行符,可以包括:将每行的汉字数与参考字符数进行比较,在汉字数小于参考字符数的所在行的最后一个字符之后加入换行符。
其中,预设转化规则是将目标文字中的非汉字字符数(例如字母或者标点符号等的数量)转化为汉字字符数的规则,是技术人员对大量样本文档中同等大小的字符进行研究得到的、根据非汉字字符在占宽与汉字字符占宽的比例进行分析制定的规则。
具体地,终端统计目标文字的字符数时,可根据预设转化规则,将每一行中的字符数都转换为汉字的字符数,方便统计,并将汉字数最多的一行的转化后的汉字数作为满行字符数,并将满行字符数乘以预设系数得到参考字符数,且对于多种文字穿插的目标文字也可以准确地判断其分段情况。而终端在得到参考字符数之后,将每行转化后的汉字数与参考字符数比较,来判断此行之后是否需要加入分段符号“/n”。如果该行的汉字数小于参考字符数,则在此行最后加入分段符号“/n”,若该行的汉字数大于等于参考字符数,则认为其未分段,不需加入分段符号。终端逐行判断此行是否分段,直至将目标文字分段完成。
上述实施例中,将目标文字每一行的字符数都转化为对应的汉字数来判断是否分行,汉字为当前处理文档的常用字符,将所有的非汉字字符数全部转换为汉字可更加准确地计算每一行的字符数,对目标文字进行准确分段。
在一个实施例中,上述扫描文字分段方法中的预设转化规则的生成方式,可以包括:获取字符样本,并识别字符样本对应的字符种类;计算每个字符种类对应的字符与汉字的占宽比;根据占宽比生成预设转化规则。
其中,字符样本是用于分析同一文档中非汉字字符与汉字字符在行中的占宽的样本,可以为以前处理过的扫描文档。
字符种类是非汉字字符的种类,例如字母或者数字等等。
具体的,终端根据预设转化规则将非汉字的字符数(例如字母或者标点符号等)转换为汉字数的预设转化规则是技术人员根据对其他字符种类的识别,算出除汉字外的每个字符种类在文档中所占的宽度与汉字所占宽度的比值;例如可以根据样本粗略估算出将每个数字或字母认为占中文字符宽度的一半,则预设转化规则将每行中识别出的字母或数字的个数除二转化为对应的汉字数;若需要转化的更加精确,可以算出每个数字0-9和每个字母a-z和A-Z等等非汉字字符所占的宽度除以一个汉字的宽度生成一个非汉字字符的相对宽度哈希表,当终端识别出对应的非汉字字符时,从非汉字字符的相对宽度哈希表中查询此字符与汉字的相对宽度比,从而将一行中非汉字字符数转化为汉字数。
上述实施例中,技术人员通过对大量字符样本进行研究,生成预设转化规则,便于终端更准确、快捷地统计目标文字中的每行的字符数。
在一个实施例中,请参见图3,上述扫描文字分段方法中可以包括汉字转化步骤,即上述的根据预设转化规则将目标文字的页面中的每一行的字符数转化为汉字数,可以包括:
S302,当检测出预设转化规则无法识别的非汉字字符时,对无法转化的非汉字字符对应的目标文字的内容进行标记。
具体地,当终端在对每一行的内容进行汉字转化时,若发现预设转化规则中不包括的内容(例如公式、图片、预设转化规则中不包含的语言文字等等)时,则无法完成转化,终端可以对此行无法识别的内容进行标记。
S304,将标记后的目标文字的页面发送至服务器。
具体地,终端将标记后的目标文字的页面发送至服务器,使服务器根据标记的目标文字识别终端无法转化的原因,例如可能无法转化的内容为插入的图片或者为预设转化规则中没包括的字符种类等等原因。可选地,终端对目标文字进行标记时可根据无法转化的错误原因标注不同的标记,使得服务器可以根据标记来了解转化时的错误信息。
S306,接收服务器根据标记后的目标文字的页面返回的更新指令。
其中,更新指令是用于更新终端存储的预设转化规则的指令,例如增加预设转化规则可识别的字符种类等。
具体地,服务器接收到终端发送的标记后的目标文字的页面后,根据其页面上的标记识别此页面中转化失败的部分的错误信息,对此错误信息进行处理后,生成更新指令发送至终端。
S308,根据更新指令更新预设转化规则。
具体地,当终端接收到服务器发送的更新指令后,根据更新指令来更新终端本地存储的转化规则。例如,服务器可向终端发送新的转化规则,终端获取新的转化规则后,将本地存储的转化规则覆盖掉,之后通过新的转化规则来对目标文字进行转化等等。
上述实施例中,服务器可通过终端发送的标记后的目标文字的页面了解终端转化时发生的错误,并根据此错误更新转化规则,使终端的转化规则能够更加准确地对目标文字进行转化。
在一个实施例中,上述步骤S206中的获取目标文字的满行字符数,可以包括:获取目标文字页面上字符显示最长一行的宽度;计算最长一行的两个字符之间的宽度以及最长一行中单个字符的宽度;根据最长一行的两个字符之间的宽度和最长一行中单个字符的宽度计算得到最长一行的字符数作为满行字符数。
具体地,目标文字页面最长一行为在目标文字的页面中的行宽最大的一行,即终端可以对目标文字中的每一页或者字体和字号相同的目标文字的第一页中的行宽进行测量,得到目标文字页面的最长一行的宽度。终端获取此行的宽度后,然后测量此行两个字符之间的宽度,即字符间隔和单个字符的占宽,从而根据行宽、字符间隔和单个字符的占宽来计算最长一行的字符数,再继续根据最长一行的字符数作为满行字符数,并乘以预设系数得到分段依据的参考字符数。
上述实施例中,终端实际统计目标文字的行宽和字符间隔和字符占宽来计算满行字符数,根据目标文字的字符排版情况得到准确的满行字符数。
在一个实施例中,上述步骤S208在字符数小于参考字符数的所在行的最后一个字符之后加入换行符之后,还可以包括:将分段完的待处理文字发送至服务器;接收服务器根据分段完的待处理文字返回的第二系数;将预设系数更新为第二系数。
其中,第二系数是用于更新预设系数的系数,其形式与预设系数相同,即服务器发现终端存储的预设系数不准确时,向终端发送的新的预设系数。
具体地,终端将分段完成的文档发送给服务器进行进一步处理或使用,服务器若发现终端的识别有误,则可针对其出错原因调整预设系数为第二系数,并将第二系数返回至终端,作为新的预设系数,来对扫描得到的目标文字进行分段。可选地,服务器接收多个终端发送的分段完成的文档后,将这些文档存入数据库,服务器再从数据库中随机抽样,检测文档分段的准确性,根据样本调整预设系数得到第二系数。
上述实施例中,服务器对终端分段完成的文档进行跟踪,检测预设系数的准确性。
应该理解的是,虽然图2-3的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2-3中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图4所示,提供了一种扫描文字分段装置,包括:图片获取模块100、文字转换模块200、字符统计模块300、参考字符数获取模块400和分段模块500,其中:
图片获取模块100,用于获取目标文档的图片。
文字转换模块200,用于将目标图片中的内容转换为对应的目标文字。
字符统计模块300,用于统计目标文字的页面中每行的字符数,并获取目标文字的满行字符数。
参考字符数获取模块400,用于将满行字符数乘以预设系数得到参考字符数。
分段模块500,用于将每行的字符数与参考字符数进行比较,在字符数小于参考字符数的所在行的最后一个字符之后加入换行符。
在一个实施例中,上述扫描文字分段装置中的字符统计模块300可以包括:
预设转化规则获取单元,用于获取预设转化规则。
汉字转化单元,用于根据预设转化规则将目标文字的页面中的每一行的字符数转化为汉字数。
满行字符数获取单元,用于将目标文字页面中的汉字数最多的一行的汉字数作为满行字符数。
则上述分段模块400还可以用于将每行的汉字数与参考字符数进行比较,在汉字数小于参考字符数的所在行的最后一个字符之后加入换行符。
在一个实施例中,上述扫描文字分段装置还可以包括:
样本获取模块,用于获取字符样本,并识别字符样本对应的字符种类。
占宽比计算模块,用于计算每个字符种类对应的字符与汉字的占宽比。
规则生成模块,用于根据占宽比生成预设转化规则。
在一个实施例中,上述扫描文字分段装置中的汉字转化单元可以包括:
错误检测单元,用于当检测出预设转化规则无法识别的非汉字字符时,对无法转化的非汉字字符对应的目标文字的内容进行标记。
标记页面发送单元,用于将标记后的目标文字的页面发送至服务器。
更新指令接收单元,用于接收服务器根据标记后的目标文字的页面返回的更新指令。
规则更新单元,用于根据更新指令更新预设转化规则。
在一个实施例中,上述扫描文字分段装置中的字符统计模块300可以包括:
满行宽度获取单元,用于获取目标文字页面上字符显示最长一行的宽度。
字符宽度计算单元,用于计算最长一行的两个字符之间的宽度以及最长一行中单个字符的宽度。
满行字符数计算单元,用于根据最长一行的两个字符之间的宽度和最长一行中单个字符的宽度计算得到最长一行的字符数作为满行字符数。
在一个实施例中,上述扫描文字分段装置还可以包括:
上级存档模块,用于将分段完的待处理文字发送至服务器。
第二系数接收模块,用于接收服务器根据分段完的待处理文字返回的第二系数。
预设系数更新模块,用于将预设系数更新为第二系数。
关于扫描文字分段装置的具体限定可以参见上文中对于扫描文字分段方法的限定,在此不再赘述。上述扫描文字分段装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图5所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种扫描文字分段方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图5中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,该存储器存储有计算机程序,该处理器执行计算机程序时实现以下步骤:获取目标文档的图片;将目标文档的图片中的内容转换为对应的目标文字;统计目标文字的页面中每行的字符数,并获取目标文字的满行字符数;将满行字符数乘以预设系数得到参考字符数;将每行的字符数与参考字符数进行比较,在字符数小于参考字符数的所在行的最后一个字符之后加入换行符。
在一个实施例中,处理器执行计算机程序时实现的获取目标文字的满行字符数,包括:获取预设转化规则;根据预设转化规则将目标文字的页面中的每一行的字符数转化为汉字数;将目标文字页面中的汉字数最多的一行的汉字数作为满行字符数;处理器执行计算机程序时实现的将每行的字符数与参考字符数进行比较,在字符数小于参考字符数的所在行的最后一个字符之后加入换行符,包括:将每行的汉字数与参考字符数进行比较,在汉字数小于参考字符数的所在行的最后一个字符之后加入换行符。
在一个实施例中,处理器执行计算机程序时实现的预设转化规则的生成方式,包括:获取字符样本,并识别字符样本对应的字符种类;计算每个字符种类对应的字符与汉字的占宽比;根据占宽比生成预设转化规则。
在一个实施例中,处理器执行计算机程序时实现的根据预设转化规则将目标文字的页面中的每一行的字符数转化为汉字数,包括:当检测出预设转化规则无法识别的非汉字字符时,对无法转化的非汉字字符对应的目标文字的内容进行标记;将标记后的目标文字的页面发送至服务器;接收服务器根据标记后的目标文字的页面返回的更新指令;根据更新指令更新预设转化规则。
在一个实施例中,处理器执行计算机程序时实现的获取目标文字的满行字符数,包括:获取目标文字页面上字符显示最长一行的宽度;计算最长一行的两个字符之间的宽度以及最长一行中单个字符的宽度;根据最长一行的两个字符之间的宽度和最长一行中单个字符的宽度计算得到最长一行的字符数作为满行字符数。
在一个实施例中,处理器执行计算机程序时实现的在字符数小于参考字符数的所在行的最后一个字符之后加入换行符之后,还包括:将分段完的待处理文字发送至服务器;接收服务器根据分段完的待处理文字返回的第二系数;将预设系数更新为第二系数。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:获取目标文档的图片;将目标文档的图片中的内容转换为对应的目标文字;统计目标文字的页面中每行的字符数,并获取目标文字的满行字符数;将满行字符数乘以预设系数得到参考字符数;将每行的字符数与参考字符数进行比较,在字符数小于参考字符数的所在行的最后一个字符之后加入换行符。
在一个实施例中,计算机程序被处理器执行时实现的获取目标文字的满行字符数,包括:获取预设转化规则;根据预设转化规则将目标文字的页面中的每一行的字符数转化为汉字数;将目标文字页面中的汉字数最多的一行的汉字数作为满行字符数;计算机程序被处理器执行时实现的将每行的字符数与参考字符数进行比较,在字符数小于参考字符数的所在行的最后一个字符之后加入换行符,包括:将每行的汉字数与参考字符数进行比较,在汉字数小于参考字符数的所在行的最后一个字符之后加入换行符。
在一个实施例中,计算机程序被处理器执行时实现的预设转化规则的生成方式,包括:获取字符样本,并识别字符样本对应的字符种类;计算每个字符种类对应的字符与汉字的占宽比;根据占宽比生成预设转化规则。
在一个实施例中,计算机程序被处理器执行时实现的根据预设转化规则将目标文字的页面中的每一行的字符数转化为汉字数,包括:当检测出预设转化规则无法识别的非汉字字符时,对无法转化的非汉字字符对应的目标文字的内容进行标记;将标记后的目标文字的页面发送至服务器;接收服务器根据标记后的目标文字的页面返回的更新指令;根据更新指令更新预设转化规则。
在一个实施例中,计算机程序被处理器执行时实现的获取目标文字的满行字符数,包括:获取目标文字页面上字符显示最长一行的宽度;计算最长一行的两个字符之间的宽度以及最长一行中单个字符的宽度;根据最长一行的两个字符之间的宽度和最长一行中单个字符的宽度计算得到最长一行的字符数作为满行字符数。
在一个实施例中,计算机程序被处理器执行时实现的在字符数小于参考字符数的所在行的最后一个字符之后加入换行符之后,还包括:将分段完的待处理文字发送至服务器;接收服务器根据分段完的待处理文字返回的第二系数;将预设系数更新为第二系数。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种扫描文字分段方法,所述方法包括:
获取目标文档的图片;
将所述目标文档的图片中的内容转换为对应的目标文字;
统计所述目标文字的页面中每行的字符数,并获取所述目标文字的满行字符数;
将所述满行字符数乘以预设系数得到参考字符数;
将所述每行的字符数与所述参考字符数进行比较,在字符数小于所述参考字符数的所在行的最后一个字符之后加入换行符。
2.根据权利要求1所述的方法,其特征在于,所述获取所述目标文字的满行字符数,包括:
获取预设转化规则;
根据预设转化规则将所述目标文字的页面中的每一行的字符数转化为汉字数;
将所述目标文字页面中的汉字数最多的一行的汉字数作为满行字符数;
则所述将所述每行的字符数与所述参考字符数进行比较,在字符数小于所述参考字符数的所在行的最后一个字符之后加入换行符,包括:
将每行的汉字数与所述参考字符数进行比较,在汉字数小于所述参考字符数的所在行的最后一个字符之后加入换行符。
3.根据权利要求2所述的方法,其特征在于,所述预设转化规则的生成方式,包括:
获取字符样本,并识别所述字符样本对应的字符种类;
计算每个所述字符种类对应的字符与汉字的占宽比;
根据所述占宽比生成所述预设转化规则。
4.根据权利要求2所述的方法,其特征在于,所述根据预设转化规则将所述目标文字的页面中的每一行的字符数转化为汉字数,包括:
当检测出所述预设转化规则无法识别的非汉字字符时,对所述无法转化的非汉字字符对应的目标文字的内容进行标记;
将标记后的所述目标文字的页面发送至服务器;
接收所述服务器根据所述标记后的所述目标文字的页面返回的更新指令;
根据所述更新指令更新所述预设转化规则。
5.根据权利要求1所述的方法,其特征在于,所述获取所述目标文字的满行字符数,包括:
获取所述目标文字页面上字符显示最长一行的宽度;
计算所述最长一行的两个字符之间的宽度以及所述最长一行中单个字符的宽度;
根据所述最长一行的两个字符之间的宽度和所述最长一行中单个字符的宽度计算得到所述最长一行的字符数作为满行字符数。
6.根据权利要求1至5任意一项所述的方法,其特征在于,所述在字符数小于所述参考字符数的所在行的最后一个字符之后加入换行符之后,还包括:
将分段完的待处理文字发送至服务器;
接收所述服务器根据所述分段完的待处理文字返回的第二系数;
将所述预设系数更新为所述第二系数。
7.一种扫描文字分段装置,其特征在于,所述装置包括:
图片获取模块,用于获取目标文档的图片;
文字转换模块,用于将所述目标图片中的内容转换为对应的目标文字;
字符统计模块,用于统计所述目标文字的页面中每行的字符数,并获取所述目标文字的满行字符数;
参考字符数获取模块,用于将所述满行字符数乘以预设系数得到参考字符数;
分段模块,用于将所述每行的字符数与所述参考字符数进行比较,在字符数小于所述参考字符数的所在行的最后一个字符之后加入换行符。
8.根据权利要求7所述的装置,其特征在于,所述字符统计模块,包括:
预设转化规则获取单元,用于获取预设转化规则;
汉字转化单元,用于根据预设转化规则将所述目标文字的页面中的每一行的字符数转化为汉字数;
满行字符数获取单元,用于将所述目标文字页面中的汉字数最多的一行的汉字数作为满行字符数;
则所述分段模块,还用于将每行的汉字数与所述参考字符数进行比较,在汉字数小于所述参考字符数的所在行的最后一个字符之后加入换行符。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910312227.2A CN110135429A (zh) | 2019-04-18 | 2019-04-18 | 扫描文字分段方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910312227.2A CN110135429A (zh) | 2019-04-18 | 2019-04-18 | 扫描文字分段方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110135429A true CN110135429A (zh) | 2019-08-16 |
Family
ID=67570106
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910312227.2A Pending CN110135429A (zh) | 2019-04-18 | 2019-04-18 | 扫描文字分段方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110135429A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111046863A (zh) * | 2019-12-10 | 2020-04-21 | 南宁凯旋互联网科技有限公司 | 数据处理方法、装置、设备及计算机可读存储介质 |
CN111062186A (zh) * | 2019-12-06 | 2020-04-24 | 金蝶软件(中国)有限公司 | 文本处理方法、装置、计算机设备和存储介质 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH05143778A (ja) * | 1991-11-22 | 1993-06-11 | Ricoh Co Ltd | 文字認識方法 |
JPH08194696A (ja) * | 1995-01-18 | 1996-07-30 | Casio Comput Co Ltd | 文書イメージ処理装置 |
CN1949210A (zh) * | 2006-11-03 | 2007-04-18 | 上海中标软件有限公司 | 计算机文档中实现藏文自动规则排版的方法 |
CN101207742A (zh) * | 2007-12-25 | 2008-06-25 | 深圳市同洲电子股份有限公司 | 一种显示内容的分页方法、装置及数字电视接收装置 |
CN103218352A (zh) * | 2011-12-09 | 2013-07-24 | 富士施乐株式会社 | 信息处理装置和信息处理方法 |
CN106250830A (zh) * | 2016-07-22 | 2016-12-21 | 浙江大学 | 数字图书结构化分析处理方法 |
CN106326854A (zh) * | 2016-08-19 | 2017-01-11 | 掌阅科技股份有限公司 | 一种版式文档段落识别方法 |
CN106921804A (zh) * | 2017-04-10 | 2017-07-04 | 青岛海信移动通信技术股份有限公司 | 在终端中创建日程的方法、装置及终端设备 |
CN107463681A (zh) * | 2017-08-08 | 2017-12-12 | 广东小天才科技有限公司 | 一种待搜题目的识别方法及装置 |
CN108133214A (zh) * | 2017-12-25 | 2018-06-08 | 广东小天才科技有限公司 | 一种基于图片纠正的信息搜索方法及移动终端 |
CN108549643A (zh) * | 2018-04-08 | 2018-09-18 | 北京百度网讯科技有限公司 | 翻译处理方法和装置 |
CN109598272A (zh) * | 2019-01-11 | 2019-04-09 | 北京字节跳动网络技术有限公司 | 字符行图像的识别方法、装置、设备及介质 |
CN109614604A (zh) * | 2018-12-17 | 2019-04-12 | 北京百度网讯科技有限公司 | 字幕处理方法、装置及存储介质 |
-
2019
- 2019-04-18 CN CN201910312227.2A patent/CN110135429A/zh active Pending
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH05143778A (ja) * | 1991-11-22 | 1993-06-11 | Ricoh Co Ltd | 文字認識方法 |
JPH08194696A (ja) * | 1995-01-18 | 1996-07-30 | Casio Comput Co Ltd | 文書イメージ処理装置 |
CN1949210A (zh) * | 2006-11-03 | 2007-04-18 | 上海中标软件有限公司 | 计算机文档中实现藏文自动规则排版的方法 |
CN101207742A (zh) * | 2007-12-25 | 2008-06-25 | 深圳市同洲电子股份有限公司 | 一种显示内容的分页方法、装置及数字电视接收装置 |
CN103218352A (zh) * | 2011-12-09 | 2013-07-24 | 富士施乐株式会社 | 信息处理装置和信息处理方法 |
CN106250830A (zh) * | 2016-07-22 | 2016-12-21 | 浙江大学 | 数字图书结构化分析处理方法 |
CN106326854A (zh) * | 2016-08-19 | 2017-01-11 | 掌阅科技股份有限公司 | 一种版式文档段落识别方法 |
CN106921804A (zh) * | 2017-04-10 | 2017-07-04 | 青岛海信移动通信技术股份有限公司 | 在终端中创建日程的方法、装置及终端设备 |
CN107463681A (zh) * | 2017-08-08 | 2017-12-12 | 广东小天才科技有限公司 | 一种待搜题目的识别方法及装置 |
CN108133214A (zh) * | 2017-12-25 | 2018-06-08 | 广东小天才科技有限公司 | 一种基于图片纠正的信息搜索方法及移动终端 |
CN108549643A (zh) * | 2018-04-08 | 2018-09-18 | 北京百度网讯科技有限公司 | 翻译处理方法和装置 |
CN109614604A (zh) * | 2018-12-17 | 2019-04-12 | 北京百度网讯科技有限公司 | 字幕处理方法、装置及存储介质 |
CN109598272A (zh) * | 2019-01-11 | 2019-04-09 | 北京字节跳动网络技术有限公司 | 字符行图像的识别方法、装置、设备及介质 |
Non-Patent Citations (1)
Title |
---|
黄永, 陆伟, 程齐凯等: "学术文本的结构功能识别——基于段落的识别", 情报学报, vol. 35, no. 5, pages 530 - 538 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111062186A (zh) * | 2019-12-06 | 2020-04-24 | 金蝶软件(中国)有限公司 | 文本处理方法、装置、计算机设备和存储介质 |
CN111062186B (zh) * | 2019-12-06 | 2023-07-07 | 金蝶软件(中国)有限公司 | 文本处理方法、装置、计算机设备和存储介质 |
CN111046863A (zh) * | 2019-12-10 | 2020-04-21 | 南宁凯旋互联网科技有限公司 | 数据处理方法、装置、设备及计算机可读存储介质 |
CN111046863B (zh) * | 2019-12-10 | 2023-07-11 | 南宁凯旋互联网科技有限公司 | 数据处理方法、装置、设备及计算机可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8732570B2 (en) | Non-symbolic data system for the automated completion of forms | |
CN109815471A (zh) | 合同文本生成方法、装置、计算机设备和存储介质 | |
US9898548B1 (en) | Image conversion of text-based images | |
US8515176B1 (en) | Identification of text-block frames | |
CN110751149B (zh) | 目标对象标注方法、装置、计算机设备和存储介质 | |
CN110110726A (zh) | 电力设备铭牌识别方法、装置、计算机设备和存储介质 | |
CN105631393A (zh) | 信息识别方法及装置 | |
CN111309618A (zh) | 页面元素定位方法、页面测试方法及相关装置 | |
CN111062186B (zh) | 文本处理方法、装置、计算机设备和存储介质 | |
CN110245570A (zh) | 扫描文本分段方法、装置、计算机设备和存储介质 | |
CN110826494A (zh) | 标注数据质量评价方法、装置、计算机设备及存储介质 | |
CN110222336A (zh) | 财务报告分析方法、装置、计算机设备和存储介质 | |
CN110135429A (zh) | 扫描文字分段方法、装置、计算机设备和存储介质 | |
CN111191079A (zh) | 一种文档内容获取方法、装置、设备及存储介质 | |
CN112417899A (zh) | 文字翻译方法、装置、计算机设备和存储介质 | |
CN114612905A (zh) | 基于rpa和ai的发票处理方法、装置、设备和介质 | |
CN111414728B (zh) | 数值数据展示方法、装置、计算机设备和存储介质 | |
CN109639718B (zh) | 一种基于移动终端实时记录实验数据的方法和系统 | |
CN116225956A (zh) | 自动化测试方法、装置、计算机设备和存储介质 | |
CN111008635A (zh) | 一种基于ocr的多票据自动识别方法及识别系统 | |
US20100023517A1 (en) | Method and system for extracting data-points from a data file | |
CN114821623A (zh) | 文档处理方法、装置、电子设备及存储介质 | |
CN113868411A (zh) | 合同比对方法、装置、存储介质及计算机设备 | |
CN113704650A (zh) | 信息展示方法、装置、系统、设备及存储介质 | |
CN110751140A (zh) | 字符批量识别方法、装置和计算机设备 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190816 |
|
WD01 | Invention patent application deemed withdrawn after publication |