[发明专利]一种表格图像版面分析方法及系统

说明书

本发明公开了一种表格图像版面分析方法及系统，该方法包括：对第一图像进行图像处理，获得第二图像，第一图像表征图像的至少部分区域无表格线，第二图像表征纯文本图像；对第二图像进行图像投影处理，获得投影结果；基于预设阈值对投影结果进行分析，获得表格信息；基于表格信息对第一图像进行转换，获得目标图像，目标图像表征有表格线的表格图像；对目标图像进行文字识别，获得目标图像的文字信息。由于表格信息为行列相关数据及坐标情况，可以将部分区域无表格线的表格图像转换为具有表格线的目标图像，因此可以利用文字识别技术目标图像进行版面分析，从而实现了对无表格线的表格图像的文字识别。

技术领域

本发明涉及信息处理技术领域，特别是涉及一种表格图像版面分析方法及系统。

背景技术

企业财务报表数据作为企业的重要参考数据，通常采用手工录入的方式，会带来效率低以及错误率较高的问题，因此现有技术中会采用文字识别技术来解决手工录入带来的问题。

从应用场景上进行划分，文字识别技术一般会分为通用识别和版面识别。通用识别是单纯提取图像中所有文字信息；版面识别则是针对有特定格式的图像，提取文字信息，并对数据进行结构化，即明确目标区域的数据含义。表格图像作为一个典型的版面识别场景，有着大量的应用场景和迫切的文字识别需求，其中，企业财务报表就是其中的一种。但由于其种类较多，难以有统一的识别模型。例如，现有的识别模型无法对无表格线的表格图像进行版面分析，使得无表格线的表格图像无法利用文字识别技术来获得相关信息。

发明内容

针对于上述问题，本发明提供一种表格图像版面分析方法及系统，实现了对无表格线的表格图像的文字识别。

为了实现上述目的，本发明提供了如下技术方案：

一种表格图像版面分析方法，该方法包括：

对第一图像进行图像处理，获得第二图像，所述第一图像表征图像的至少部分区域无表格线，所述第二图像表征纯文本图像；

对所述第二图像进行图像投影处理，获得投影结果；

基于预设阈值对所述投影结果进行分析，获得表格信息；

基于所述表格信息对所述第一图像进行转换，获得目标图像，所述目标图像表征有表格线的表格图像；

对所述目标图像进行文字识别，获得所述目标图像的文字信息。

可选地，所述对第一图像进行图像处理，获得第二图像包括：

判断所述第一图像中是否包括满足预设条件的目标区域，如果是，则获取所述目标区域，所述目标区域表征具有表格线的区域；

对所述目标区域进行水平直线和垂直直线的提取，并根据提取结果对所述目标区域进行表格线消除处理，获得处理后的第一图像；

将所述处理后的第一图像进行像进行图像预处理，生成第二图像，所述图像预处理包括灰度处理、二值化处理、图像纠偏处理、图像腐蚀处理和膨胀处理中的一种或多种；

可选地，所述对所述第二图像进行图像投影处理，获得投影结果，包括：

对所述第二图像进行水平投影和垂直投影，获得所述第二图像的像素数据。

可选地，所述基于预设阈值对所述投影结果进行分析，获得表格信息，包括：

基于预设阈值对所述像素数据进行分析，获得文字区域和背景区域；

基于所述文字区域和所述背景区域，生成表格信息。

可选地，所述表格信息包括行列数据和坐标数据，所述基于所述表格信息对所述第一图像进行转换，获得目标图像，包括：

基于所述行列数据和坐标数据，确定所述第一图像的行列位置；