[发明专利]表格版式恢复方法，计算机可读介质以及计算机

摘要

本发明公开了一种表格版式恢复方法，计算机可读存储介质以及计算机，其中该方法包括：利用OCR识别技术识别表格图像，输出表格文字块；采用渐进式投影法提取表格的行向量；采用对齐特征查找法恢复表格的列向量，直至得到表格的全部列向量；得到全部列向量之后，将列向量按每个向量首位文字块的横坐标升序排序，得到排序后的列向量，从而得到二维矩阵形式的表格。根据本发明的技术方案，充分利用了OCR识别结果中的形态学信息，避免依赖表格框线，提高了表格版式识别的准确率。

主权项

1.一种表格版式恢复方法，其特征在于，包括：利用OCR识别技术识别表格图像，输出表格文字块的集合，所述表格文字块包括该表格文字块的左上角点在表格图像中的坐标、表格文字块的宽度及高度、表格文字块内包含的文本信息；采用渐进式投影法提取表格文字块的集合的行向量，包括：将OCR输出的表格文字块按纵坐标排序，取排序后的首位文字块作为基准文字块；利用文字块的高度关系，在剩余文字块中查找与所述基准文字块构成同行关系的文字块集合Li；将集合Li中包含的文字块按横坐标升序排列，形成一个行向量；重复执行以上步骤，直至得到表格的全部行向量；采用对齐特征查找法恢复表格的列向量：从上述全部行向量中，取出向量维度最高的行向量，作为基准行向量L；取基准行向量L中的文字块，利用文字块左上角点横坐标以及文字块宽度，在剩余行向量中，查找与基准行向量中的文字块处于列对齐关系的文字块，将这样的文字块集合作为基准行向量中的文字块的列集合；将列集合中包含的文字块按纵坐标升序排列，形成一个列向量；重复执行以上步骤，直至得到表格的全部列向量；得到全部列向量之后，将列向量按每个向量首位文字块的横坐标升序排序，得到排序后的列向量，从而得到二维矩阵形式的表格。