一种表格结构提取方法技术

本发明专利技术涉及一种表格结构提取方法，属于文档识别领域。该方法包括：S1：数据转换；S2：图片预处理及直线分割；S3：直线检测及预处理；S4：水平线与竖直线判断；S5：查找交点；S6：断线的续连；S7：获取单元格。本发明专利技术采用深度网络分割图像，泛化和稳定性更高，能够减小背景色、印章、线条颜色的干扰；对表格图像进行分析，能处理表格线断裂，文字表格线粘连等常见问题，正确得到表格结构；对分割图进行线条检测时，通过按比例缩小图像提高检测速度，并保证大小与坐标还原；通过交点关系产生单元格，排除了原始线条的凸凹瑕疵，使单元格更加美观。

A method of extracting table structure

【技术实现步骤摘要】
一种表格结构提取方法
本专利技术属于文档识别领域，涉及一种表格结构提取方法。
技术介绍
文档分析中，充分利用表格信息对内容分析与提取有很大帮助，表格分析是表格自动处理过程中的第一步，根据表格的特点，给出一个基于直线提取和补全的通用表格分析方法，先利用模型检测出表格线，然后根据表格特性调整表格线，再从表格线得到表格特征点，最后建立规则得到表格结构的单元格描述。目前，常见的现有技术有：(1)采用传统图像处理的方式提取表格，但无法排除文字、印章、颜色干扰，提取的线条受背景影响大；(2)线条存在凸凹，断线时对生成单元格不利。因此，亟需一种能够准确完整提取表格的方法。
技术实现思路
有鉴于此，本专利技术的目的在于提供一种基于图片的表格结构提取方法，在提高提取速度的同时，能够提高表格提取的精确度。为达到上述目的，本专利技术提供如下技术方案：一种表格结构提取方法，是基于图片的表格结构提取，具体包括以下步骤：S1：数据转换；S2：图片预处理及直线分割；S3：直线检测及预处理；S本文档来自技高网...

【技术保护点】
1.一种表格结构提取方法，其特征在于，该方法是基于图片的表格结构提取，具体包括以下步骤：/nS1：数据转换；/nS2：图片预处理及直线分割；/nS3：直线检测及预处理；/nS4：水平线与竖直线判断；/nS5：查找交点；/nS6：断线的续连；/nS7：获取单元格。/n

【技术特征摘要】
1.一种表格结构提取方法，其特征在于，该方法是基于图片的表格结构提取，具体包括以下步骤：
S1：数据转换；
S2：图片预处理及直线分割；
S3：直线检测及预处理；
S4：水平线与竖直线判断；
S5：查找交点；
S6：断线的续连；
S7：获取单元格。


2.根据权利要求1所述的一种表格结构提取方法，其特征在于，所述步骤S1中，将非图片格式的文档转换为JPG或PNG格式的图片，且保证生成的图片无多字压线、字体大小适中且内容坐标一致。


3.根据权利要求1所述的一种表格结构提取方法，其特征在于，所述步骤S2中，图片预处理包括校正，降噪，裁剪和图像增强处理；直线分割包括：利用深度学习的模型，分割出前景与后景，其中前景是直线，其它内容视为后景；利用预处理过的图片训练出模型，用模型分割出直线与后景。


4.根据权利要求3所述的一种表格结构提取方法，其特征在于，所述步骤S2具体包括以下步骤：
S21：图片切分；
取切分基准大小为512×512，原图的高为H，宽为W，切分的次数为单个切分后的坐标为：



其中，坐标结构为[左上角，右下角]，点为(w，h)，0≤wnum≤Wnum，0≤hnum≤Hnum；
S22：模型训练；
模型网络结构采用Unet的主体结构，Loss采用交叉熵；
S23：直线分割；
利用训练好的分割模型分割测试图，图片输入模型的方式与训练数据的切分方式一致，预测后的小图片再按原切分规则合并成原图，保持大小与坐标的统一；并设定模型预测的概率阈值，即预测概率值大于概率阈值时为前景，预测概率值小于阈值时为后景。


5.根据权利要求4所述的一种表格结构提取方法，其特征在于，所述步骤S3具体包括以下步骤：
S31：预处理：对分割结果图进行降噪、膨胀及腐蚀处理，去除干扰噪点，增强线条与背景的对比度；...

【专利技术属性】
技术研发人员：汪雨，郭彦儒，王威，
申请(专利权)人：上海汇航捷讯网络科技有限公司，
类型：发明
国别省市：上海;31