CN112052825B - 用于处理图像的方法、装置、设备以及存储介质 - Google Patents

Abstract

本申请公开了一种用于处理图像的方法、装置、设备以及存储介质，涉及图像处理、云计算、深度学习、自然语言处理领域。具体实现方案为：获取目标图像；识别目标图像中的各文字；确定各文字对应的语义特征向量和视觉特征向量；根据语义特征向量和视觉特征向量，确定各文字的位置信息；根据位置信息，对齐各文字，并输出。本实现方式通过根据从图像中提取的各文字的语义特征和视觉特征确定各文字对应的位置信息，可以使得对各文字的位置信息的确定更准确；通过根据位置信息对齐各文字，可以使得对各文字的对齐更鲁棒、更高效、更准确，且适用范围广。

Description

用于处理图像的方法、装置、设备以及存储介质

技术领域

本申请涉及图像处理领域，具体涉及图像处理、云计算、深度学习、自然语言处理领域，尤其涉及一种用于处理图像的方法、装置、设备以及存储介质。

背景技术

随着人工智能技术(AI，Artificial Intelligence)的不断进步，使用AI来进行影像文档的智能分析越来越多。AI可以对影像进行方向和歪斜矫正、进行布局分析、进行内容识别等等，可以极大地方便各类涉及对影像文档进行录入、审核的工作人员，提升各类业务流程的智能化。

针对含有表格的文档影像，其中进行表格的对齐，是很多表格重建及其他智能化应用的基础。目前表格的对齐主要根据位置信息或正则表达式匹配，准确率不高。

发明内容

本公开提供了一种用于处理图像的方法、装置、设备以及存储介质。

根据本公开的一方面，提供了一种用于处理图像的方法，包括：获取目标图像；识别目标图像中的各文字；确定各文字对应的语义特征向量和视觉特征向量；根据语义特征向量和视觉特征向量，确定各文字的位置信息；根据位置信息，对齐各文字，并输出。

根据本公开的另一方面，提供了一种用于处理图像的装置，包括：获取单元，被配置成获取目标图像；识别单元，被配置成识别目标图像中的各文字；特征向量确定单元，被配置成确定各文字对应的语义特征向量和视觉特征向量；位置信息确定单元，被配置成根据语义特征向量和视觉特征向量，确定各文字的位置信息；输出单元，被配置成根据位置信息，对齐各文字，并输出。

根据本公开的再一方面，提供了一种用于处理图像的电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行如上述用于处理图像的方法。

根据本公开的又一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，上述计算机指令用于使计算机执行如上述用于处理图像的方法。

根据本申请的技术解决了表格的对齐准确率不高的问题，通过根据从图像中提取的各文字的语义特征和视觉特征确定各文字对应的位置信息，可以使得对各文字的位置信息的确定更准确，通过根据位置信息对齐各文字，可以使得对各文字的对齐更鲁棒、更高效、更准确，且适用范围广。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图用于更好地理解本方案，不构成对本申请的限定。其中：

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2是根据本申请的用于处理图像的方法的一个实施例的流程图；

图3是根据本申请的用于处理图像的方法的一个应用场景的示意图；

图4是根据本申请的用于处理图像的方法的另一个实施例的流程图；

图5是根据本申请的用于处理图像的装置的一个实施例的结构示意图；

图6是用来实现本申请实施例的用于处理图像的电子设备的框图。

具体实施方式

以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

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处理图像的方法或用于处理图像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可以包括相机101、扫描仪102，网络103和终端设备104。网络103用以在相机101、扫描仪102和终端设备104之间提供通信链路的介质。网络103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。

相机101、扫描仪102可以通过网络103与终端设备104交互，以接收或发送消息。相机101、扫描仪102可以采集图像，并将采集的图像发送给终端设备104，或者存储于本地。

终端设备104可以从相机101、扫描仪102处获取采集的图像，并对图像进行处理，以对齐图像中的各文字，并将处理结果输出。终端设备104上可以安装有各种通讯客户端应用，例如图像处理类应用、文字识别类应用等。

终端设备104可以是硬件，也可以是软件。当终端设备104为硬件时，可以是各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、车载电脑、膝上型便携计算机和台式计算机等等。当终端设备104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，也可以实现成单个软件或软件模块。在此不做具体限定。

需要说明的是，本申请实施例所提供的用于处理图像的方法可以由终端设备104执行。相应地，用于处理图像的装置可以设置于终端设备104中。

应该理解，图1中的相机、扫描仪、网络和终端设备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相机、扫描仪、网络和终端设备。

继续参考图2，示出了根据本申请的用于处理图像的方法的一个实施例的流程200。本实施例的用于处理图像的方法，包括以下步骤：

步骤201，获取目标图像。

本实施例中，用于处理图像的执行主体(例如图1中的终端设备104)可以通过有线连接或无线连接的方式，从扫描仪、数码相机、带摄像头的移动终端等设备获取所采集的目标图像。目标图像可以是从含有表格的文档图像中获取的表格图像。目标图像中可以包含表格的框架以及表格中的文字，当然还可以包含表格背景。表格背景与表格文字和表格框架的颜色不同。

步骤202，识别目标图像中的各文字。

执行主体在获取目标图像后，可以识别目标图像中的各文字。具体地，执行主体可以通过光学字符识别(OCR，Optical Character Recognition)技术识别目标图像中的各文字，将目标图像中的各文字转换为可编辑的文本。目标图像中的各文字包括文字内容和文字位置。文字内容可以是标题、具体的文字描述等，本申请对此不做具体限定。文字位置可以是各文字之间的相对距离、各文字与页边框的距离等，本申请对此不做具体限定。例如，识别到的文字内容为：字体号数，三号，小三号，四号。上述文字内容相对应的文字位置分别为：宽度：352，高度：83，左间距：588，上间距：315；宽度：176，高度：55，左间距：603，上间距：458；宽度：264，高度：54，左间距：607，上间距：513；宽度：176，高度：59，左间距：588，上间距：582。在本实施例中，各文字可以包括各字、词或句子，本申请对各文字所表示的内容不做具体限定。

步骤203，确定各文字对应的语义特征向量和视觉特征向量。

执行主体在识别得到目标图像中的各文字后，可以确定各文字对应的语义特征向量和视觉特征向量。具体地，执行主体可以通过预训练的Word2vec模型对各文字的语义特征进行提取，并获取代表语义的特征向量即语义特征向量。具体地，各文字可以由多个词组成，Word2vec模型可用来映射每个词到一个向量，称为词向量，该词向量可用来表示词对词之间的关系，词向量具有良好的语义特性，是表示词特征的常用方式。词向量每一维的值代表一个具有一定的语义和语法上解释的特征，该特征捕获了有用的句法和语义特性。所以，可以将词向量的每一维称为一个词特征。词向量将词的不同句法和语义特征分布到它的每一个维度表示。具体地，执行主体可以通过预训练的神经网络模型对各文字中的视觉特征向量进行提取。示例的，各文字中的视觉特征向量可以为各文字中的各词所处的位置所对应的特征向量。例如，可以是各文字中各词所对应的三维位置坐标等，本申请对此不做具体限定。在本实施例中，各文字可以包括各字、词或句子，本申请对各文字所表示的内容不做具体限定。

步骤204，根据语义特征向量和视觉特征向量，确定各文字的位置信息。

本实施例中，语义特征向量用于表征各文字的内容信息、表达含义、文字个数、与周围各文字的含义关联性等，具体可以用多维的空间坐标来表示，此处的“多维空间坐标”可以是多于三维的空间坐标，例如可以是100维、1000维的空间坐标。可以理解的是，空间坐标的维数越高，所携带的信息或所想要表达的语义越丰富。视觉特征向量用于表征各文字的位置信息、各文字的周围空白情况、各文字的像素长度情况等，具体可以用三维的空间坐标来表示。

执行主体在确定各文字对应的语义特征向量和视觉特征向量后，可以根据语义特征向量和视觉特征向量，确定各文字的位置信息。具体地，执行主体可以根据语义特征向量确定各文字在同一空间坐标系中的语义的远近，从而确定各文字中哪些文字在语义上属于同一类。执行主体还可以根据视觉特征向量确定各文字在同一空间坐标系中的位置距离的远近，从而确定各文字中哪些文字在位置上需要聚为一类。然后，执行主体可以综合以上分类信息，根据确定出的在语义上属于同一类的文字以及在位置上需要聚为一类的文字，确定各文字在同一空间坐标系中的位置信息。具体地，该位置信息可以用向量来表示，即综合各文字的语义和视觉特征向量后，得到的各文字在同一空间坐标中的用于同时表征各文字语义和视觉特征的远近的位置向量。具体地，各文字的位置信息，即各文字的位置向量可以通过各文字的语义特征向量和视觉特征向量进行矢量相加得到，本申请对各文字的位置信息的获取方式不做具体限定。

步骤205，根据位置信息，对齐各文字，并输出。

执行主体在获取各文字的位置信息后，可以根据位置信息，对齐各文字，并输出。具体地，执行主体可以将位置信息相近的一排文字对齐，并可以通过电脑显示屏将对齐的文字输出。可以理解的是，位置信息相近的一排文字可以是一列文字也可以是一行文字。

继续参考图3，其示出了根据本申请的用于处理图像的方法的一个应用场景的示意图。在图3的应用场景中，相机301采集目标图像302。计算机304获取目标图像302。计算机304识别目标图像中的各文字305。计算机304确定各文字305对应的语义特征向量和视觉特征向量。计算机304根据各文字305对应的语义特征向量和视觉特征向量，确定各文字305的位置信息。计算机304根据各文字305的位置信息，对齐各文字，并输出对齐后的文字306，具体地，计算机304可以将对齐后的文字306嵌套表格，在计算机304的显示屏上显示。

本实施例通过根据从图像中提取的各文字的语义特征和视觉特征确定各文字对应的位置信息，可以使得对各文字的位置信息的确定更准确；通过根据位置信息对齐各文字，可以使得对各文字的对齐更鲁棒、更高效、更准确，且适用范围广。

继续参考图4，其示出了根据本申请的用于处理图像的方法的另一个实施例的流程400。如图4所示，本实施例的用于处理图像的方法，可以包括以下步骤：

步骤401，获取目标图像。

步骤402，识别目标图像中的各文字。

步骤403，确定各文字对应的语义特征向量和视觉特征向量。

步骤404，根据语义特征向量和视觉特征向量，确定各文字的位置信息。

步骤401～步骤404的原理与步骤201和步骤204的原理类似，此处不再赘述。

具体地，步骤404可以通过步骤4041～步骤4042来实现：

步骤4041，组合各文字对应的语义特征向量和视觉特征向量，得到组合特征向量。

执行主体在确定各文字对应的语义特征向量和视觉特征向量后，可以组合各文字对应的语义特征向量和视觉特征向量，得到组合特征向量。具体地，执行主体可以将各文字对应的语义特征向量和视觉特征向量进行拼接组合。具体地，在组合特征向量中，可以语义特征向量在前、视觉特征向量在后，当然也可以视觉特征向量在前、语义特征向量在后，本申请对组合特征向量中的语义特征向量和视觉特征向量的先后顺序不做具体限定。

步骤4042，根据各组合特征向量和预训练的转换模型，确定各文字对应的位置信息。

执行主体在得到各文字对应的组合特征向量后，可以根据各组合特征向量和预训练的转换模型，确定各文字对应的位置信息。具体地，将各组合特征向量作为预训练的转换模型的输入向量，输出的是各文字对应的位置信息。本实施例中，预训练的转换模型用于表征特征向量与位置信息的对应关系。在对转换模型进行训练时，训练集为对各文字的语义特征向量和视觉特征向量进行拼接组合后的各组合特征向量以及标注的对应各组合特征向量的位置信息。利用该训练集训练转换模型，获得具有将特征向量(也就是组合特征向量)转换成位置信息能力的转换模型。

本实施例通过将各文字的语义特征向量和视觉特征向量进行组合，得到组合特征向量，从而在根据各组合特征向量，利用预训练的转换模型确定各文字对应的位置信息时，得到的结果更准确，适用范围广。

步骤405，根据位置信息，对齐各文字，并输出。

步骤405的原理与步骤205的原理类似，此处不再赘述。

具体地，步骤405可以通过步骤4051～步骤4052来实现：

步骤4051，根据位置信息和预训练的分类模型，确定位置信息对应的标识。

本实施例中，预训练的分类模型用于表征位置信息和标识之间的对应关系。执行主体在得到各文字对应的位置信息后，可以根据位置信息和预训练的分类模型，确定位置信息对应的标识。具体地，位置信息可以用位置向量来表示，将各位置信息对应的位置向量输入预训练的分类模型，输出各位置向量对应的标识。该标识为分类标识，可以用来表征基于不同位置信息的各文字中，哪些文字是属于同一行或同一列的。在同一空间坐标系中，如果两个位置向量之间的距离小于预设阈值，则这两个位置向量对应的文字所对应的标识是相同的，也就是这两个位置向量对应的文字属于同一行或同一列。具体地，在对分类模型进行训练时，训练集为各文字对应的位置信息以及标注的各文字信息对应的标识。利用该训练集训练分类模型，得到具有准确地根据位置信息(或称位置向量)得到对应的标识的能力的分类模型。

步骤4052，根据标识，对齐各文字。

执行主体在得到各文字的位置信息对应的标识后，可以根据标识，行对齐或列对齐各文字。

本实施例通过根据各文字的位置信息和预训练的分类模型，确定各文字的分类，从而可以准确地确定各文字的对齐方式，以准确地对各文字进行对齐。

具体地，步骤4052可以通过步骤40521～步骤40522来实现：

步骤40521，确定标识中的相同标识。

步骤40522，对齐相同标识对应的各文字。

执行主体在得到各文字的位置信息对应的标识后，可以确定标识中的相同的标识，并对齐相同标识对应的各文字。具体地，具有相同标识的文字表明文字属于一排，可以是属于一列或者属于一行，本申请对此不做具体限定。在本实施例中，各文字可以包括各字、词或句子，本申请对各文字所表示的内容不做具体限定。执行主体将属于一排的各文字进行对齐，具体地，当属于一排的各文字是单个字时，将该排的各字进行对齐；当属于一排的各文字是词语或句子时，例如，可以有两字词语：三号，三字词语：小三号，四字词语：字体号数，此时可以将各词语按照预设的对齐方式进行左对齐或居中对齐或右对齐或两端对齐，本申请对词语或句子的对齐方式不做具体限定，可以按照预设的对齐方式进行对齐也可以自定义对齐方式。

本实施例通过根据相同的标识可以准确地确定出相同类别的各文字，并通过将相同标识的各文字进行对齐，可以使得对各文字的对齐更准确，适用范围广。

具体地，步骤40522可以通过步骤405221～步骤405223来实现：

步骤405221，根据相同标识对应的各文字的位置信息，判断各文字是否位于同一行或同一列。

执行主体在确定相同标识的各文字后，可以根据各文字的位置信息，判断各文字是否位于同一行或同一列。在本实施例中，各文字可以包括各字、词或句子，本申请对各文字所表示的内容不做具体限定。具体地，执行主体可以根据各文字的位置信息，确定各文字的相对位置关系，并根据各文字的相对位置关系确定各文字是位于同一行还是位于同一列。

步骤405222，响应于确定各文字位于同一行，行对齐各文字。

步骤405223，响应于确定各文字位于同一列，列对齐各文字。

具体地，本实施例中，执行主体可以将相同标识的各文字的位置信息放置于同一空间坐标系中，当执行主体判断出各文字信息在该空间坐标系中的横轴上依次排列时，表明该各文字位于同一行，执行主体可以响应于各文字信息位于同一行，行对齐各文字。当执行主体判断出各文字信息在该空间坐标系中的纵轴上依次排列时，表明该各文字位于同一列，执行主体可以响应于各文字信息位于同一列，列对齐各文字。

本实施例通过根据相同标识对应的各文字的位置信息，判断各文字是否位于同一行或同一列，从而可以更精确地对各文字进行对应的行对齐或对应的列对齐，避免各文字出现对齐混乱情况。

进一步参考图5，作为对上述各图所示方法的实现，本申请提供了一种用于处理图像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5所示，本实施例的用于处理图像的装置500包括：获取单元501、识别单元502、特征向量确定单元503、位置信息确定单元504和输出单元505。

获取单元501，被配置成获取目标图像。

识别单元502，被配置成识别目标图像中的各文字。

特征向量确定单元503，被配置成确定各文字对应的语义特征向量和视觉特征向量。

位置信息确定单元504，被配置成根据语义特征向量和视觉特征向量，确定各文字的位置信息。

输出单元505，被配置成根据位置信息，对齐各文字，并输出。

在本实施例的一些可选的实现方式中，位置信息确定单元进一步被配置成：组合各文字对应的语义特征向量和视觉特征向量，得到组合特征向量；根据各组合特征向量和预训练的转换模型，确定各文字对应的位置信息，其中，预训练的转换模型用于表征特征向量与位置信息的对应关系。

在本实施例的一些可选的实现方式中，输出单元进一步被配置成：根据位置信息和预训练的分类模型，确定位置信息对应的标识，其中，预训练的分类模型用于表征位置信息和标识之间的对应关系；根据标识，对齐各文字。

在本实施例的一些可选的实现方式中，输出单元进一步被配置成：确定标识中的相同标识；对齐相同标识对应的各文字。

在本实施例的一些可选的实现方式中，输出单元进一步被配置成：根据相同标识对应的各文字的位置信息，判断各文字是否位于同一行或同一列；响应于确定各文字位于同一行，行对齐各文字；响应于确定各文字位于同一列，列对齐各文字。

应当理解，用于处理图像的装置500中记载的单元501至单元505分别与参考图2中描述的方法中的各个步骤相对应。由此，上文针对用于处理图像的方法描述的操作和特征同样适用于装置500及其中包含的单元，在此不再赘述。

根据本申请的实施例，本申请还提供了一种用于处理图像的电子设备和一种可读存储介质。

如图6所示，是根据本申请实施例的用于处理图像的方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。

如图6所示，该电子设备包括：一个或多个处理器601、存储器602，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线605互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线605与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图6中以一个处理器601为例。

存储器602即为本申请所提供的非瞬时计算机可读存储介质。其中，存储器存储有可由至少一个处理器执行的指令，以使至少一个处理器执行本申请所提供的用于处理图像的方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的用于处理图像的方法。

存储器602作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及单元，如本申请实施例中的用于处理图像的方法对应的程序指令/单元(例如，附图5所示的获取单元501、识别单元502、特征向量确定单元503、位置信息确定单元504和输出单元505)。处理器601通过运行存储在存储器602中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的用于处理图像的方法。

存储器602可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据用于处理图像的电子设备的使用所创建的数据等。此外，存储器602可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器602可选包括相对于处理器601远程设置的存储器，这些远程存储器可以通过网络连接至用于处理图像的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

用于处理图像的方法的电子设备还可以包括：输入装置603和输出装置604。处理器601、存储器602、输入装置603和输出装置604可以通过总线605或者其他方式连接，图6中以通过总线605连接为例。

输入装置603可接收输入的数字或字符信息，以及产生与用于处理图像的电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置604可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。

此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。

根据本申请实施例的技术方案，通过根据从图像中提取的各文字的语义特征和视觉特征确定各文字对应的位置信息，可以使得对各文字的位置信息的确定更准确；通过根据位置信息对齐各文字，可以使得对各文字的对齐更鲁棒、更高效、更准确，且适用范围广。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。

Claims (12)

1.一种用于处理图像的方法，包括：

获取目标图像；

识别所述目标图像中的各文字；

确定所述各文字对应的语义特征向量和视觉特征向量；

根据所述语义特征向量和所述视觉特征向量，确定各文字的位置信息，包括：根据所述语义特征向量确定各文字在同一空间坐标系中的语义的远近，确定各文字中在语义上属于同一类的文字；根据所述视觉特征向量确定各文字在同一空间坐标系中的位置距离的远近，确定各文字中在位置上聚为一类的文字；根据在语义上属于同一类的文字以及在位置上聚为一类的文字，确定各文字在同一空间坐标系中的位置信息；

根据所述位置信息，对齐各文字，并输出。

2.根据权利要求1所述的方法，其中，所述根据所述语义特征向量和所述视觉特征向量，确定各文字的位置信息，还包括：

组合所述各文字对应的语义特征向量和视觉特征向量，得到组合特征向量；

根据各所述组合特征向量和预训练的转换模型，确定所述各文字对应的位置信息，其中，所述预训练的转换模型用于表征特征向量与位置信息的对应关系。

3.根据权利要求1所述的方法，其中，所述根据所述位置信息，对齐各文字，包括：

根据所述位置信息和预训练的分类模型，确定所述位置信息对应的标识，其中，所述预训练的分类模型用于表征位置信息和标识之间的对应关系；

根据所述标识，对齐各文字。

4.根据权利要求3所述的方法，其中，所述根据所述标识，对齐各文字，包括：

确定所述标识中的相同标识；

对齐所述相同标识对应的各文字。

5.根据权利要求4所述的方法，其中，所述对齐所述相同标识对应的各文字，包括：

根据所述相同标识对应的各文字的位置信息，判断所述各文字是否位于同一行或同一列；

响应于确定所述各文字位于同一行，行对齐所述各文字；

响应于确定所述各文字位于同一列，列对齐所述各文字。

6.一种用于处理图像的装置，包括：

获取单元，被配置成获取目标图像；

识别单元，被配置成识别所述目标图像中的各文字；

特征向量确定单元，被配置成确定所述各文字对应的语义特征向量和视觉特征向量；

位置信息确定单元，被配置成根据所述语义特征向量和所述视觉特征向量，确定各文字的位置信息，进一步被配置成：根据所述语义特征向量确定各文字在同一空间坐标系中的语义的远近，确定各文字中在语义上属于同一类的文字；根据所述视觉特征向量确定各文字在同一空间坐标系中的位置距离的远近，确定各文字中在位置上聚为一类的文字；根据在语义上属于同一类的文字以及在位置上聚为一类的文字，确定各文字在同一空间坐标系中的位置信息；

输出单元，被配置成根据所述位置信息，对齐各文字，并输出。

7.根据权利要求6所述的装置，其中，所述位置信息确定单元进一步被配置成：

组合所述各文字对应的语义特征向量和视觉特征向量，得到组合特征向量；

根据各所述组合特征向量和预训练的转换模型，确定所述各文字对应的位置信息，其中，所述预训练的转换模型用于表征特征向量与位置信息的对应关系。

8.根据权利要求6所述的装置，其中，所述输出单元进一步被配置成：

根据所述位置信息和预训练的分类模型，确定所述位置信息对应的标识，其中，所述预训练的分类模型用于表征位置信息和标识之间的对应关系；

根据所述标识，对齐各文字。

9.根据权利要求8所述的装置，其中，所述输出单元进一步被配置成：

确定所述标识中的相同标识；

对齐所述相同标识对应的各文字。

10.根据权利要求9所述的装置，其中，所述输出单元进一步被配置成：

根据所述相同标识对应的各文字的位置信息，判断所述各文字是否位于同一行或同一列；

响应于确定所述各文字位于同一行，行对齐所述各文字；

响应于确定所述各文字位于同一列，列对齐所述各文字。

11.一种用于处理图像的电子设备，其特征在于，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-5中任一项所述的方法。

12.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行权利要求1-5中任一项所述的方法。