[发明专利]化学结构式的提取方法及提取装置

说明书

本公开的实施例提供一种化学结构式的提取方法和提取装置。在该提取方法中，获取包括至少一个化学结构式的图像。然后，识别至少一个化学结构式中的各个化学结构式的轮廓，并获取用于标识至少一个化学结构式的掩膜矩阵。掩膜矩阵的元素与图像的像素相对应。掩膜矩阵包括对应于所识别的化学结构式的轮廓之内的像素的候选区域。候选区域中的元素是第一元素，候选区域之外的元素是第二元素。对图像进行二值化处理以获得图像对应的二值图像。二值图像包括黑色像素和白色像素。接着，基于二值图像来调整掩膜矩阵以使得调整后的候选区域对应于图像中至少一个化学结构式所占的区域。之后，基于调整后的掩膜矩阵来生成提取出至少一个化学结构式的目标图像。

技术领域

本公开的实施例涉及计算机技术领域，具体地，涉及化学结构式的提取方法及提取装置。

背景技术

化学信息在各种出版物（例如，专利、文献、网页、图片等）中以文本和图像的形式传播。很多化学信息不容易由机器可读，而从文档中手动提取化学信息是一个耗时且容易出错的过程。随着化学信息量的不断增加，对化学信息的自动提取需求日益增加。例如，在一些情况下，人们可能期待从文档中自动提取出化学结构式。

化学结构式是用元素符号和短线表示化合物（或单质）分子中原子的排列和结合方式的化学式。化学结构式可以完整地绘出分子内每个原子间的化学键。多数化学结构式的结构比较复杂，符号种类繁多，且在排版时可能与其他附加信息混合排列。

发明内容

本文中描述的实施例提供了一种化学结构式的提取方法、提取装置以及存储有计算机程序的计算机可读存储介质。

根据本公开的第一方面，提供了一种化学结构式的提取方法。在该提取方法中，获取包括至少一个化学结构式的图像。然后，识别至少一个化学结构式中的各个化学结构式的轮廓，并获取用于标识至少一个化学结构式的掩膜矩阵。掩膜矩阵的元素与图像的像素相对应。掩膜矩阵包括对应于所识别的化学结构式的轮廓之内的像素的候选区域。候选区域中的元素是第一元素，候选区域之外的元素是第二元素。对图像进行二值化处理以获得图像对应的二值图像。二值图像包括黑色像素和白色像素。接着，基于二值图像来调整掩膜矩阵以使得调整后的候选区域对应于图像中至少一个化学结构式所占的区域。之后，基于调整后的掩膜矩阵来生成提取出至少一个化学结构式的目标图像。

在本公开的一些实施例中，基于调整后的掩膜矩阵来生成提取出至少一个化学结构式的目标图像包括：获取图像中与掩膜矩阵的调整后的候选区域相对应的像素来生成目标图像。

在本公开的一些实施例中，基于调整后的掩膜矩阵来生成提取出至少一个化学结构式的目标图像包括：获取二值图像中与掩膜矩阵的调整后的候选区域相对应的像素来生成目标图像。

在本公开的一些实施例中，基于调整后的掩膜矩阵来生成提取出至少一个化学结构式的目标图像包括：将二值图像中与掩膜矩阵的第二元素对应的像素设置成白色像素；获取图像中针对至少一个化学结构式的感兴趣区域；以及获取二值图像中与感兴趣区域相对应的像素来生成目标图像。

在本公开的一些实施例中，获取图像中针对至少一个化学结构式的感兴趣区域包括：识别图像中针对每个化学结构式的相应感兴趣区域；基于调整后的掩膜矩阵来调整相应感兴趣区域以使得每个感兴趣区域包括一个化学结构式所占的区域；计算感兴趣区域的数量；响应于感兴趣区域的数量大于1，确定任意两个感兴趣区域之间的重合度；以及响应于任意两个感兴趣区域之间的重合度大于阈值重合度，将两个感兴趣区域合并成一个感兴趣区域。

在本公开的一些实施例中，提取方法还包括：分别获取目标图像中与每一个感兴趣相对应的像素以生成相应的子目标图像。