[发明专利]版面数据合成方法、设备及存储介质

说明书

本发明公开了一种版面数据合成方法、设备及存储介质。该方法包括：将获取的纯文本图像进行自适应二值化处理，得到纯文本二值化图像。基于纯文本二值化图像，获取纯文本图像中文字区域的像素坐标和像素值。对纯文本二值化图像进行行列分割处理，得到文本行的坐标、文本分栏的数量以及文本分栏的坐标。基于文本行的坐标、文本分栏的数量、文本分栏的坐标以及包含至少一个插入数据的插入数据库，确定至少一个待插入数据以及各待插入数据的坐标。基于背景数据库中目标背景图像、文字区域的像素坐标和像素值以及至少一个待插入数据和各待插入数据的坐标，合成版面数据。本发明实现了合成版面数据。

技术领域

本发明实施例涉及数据处理技术领域，尤其涉及一种版面数据合成方法、设备及存储介质。

背景技术

随着大数据时代的到来以及计算机硬件的发展，深度学习模型在各个领域得到了广泛应用，例如，人脸识别领域、智能驾驶领域以及光学字符识别(Optical CharacterRecognition，OCR)领域等。随着OCR技术的发展，OCR已经广泛应用于文档的自动处理中，大大提高了文档的复现效率。其中，OCR系统的一个重要步骤是文档的布局分析，虽然文档中主要包含文本，但缺乏文档的布局信息，也无法对文档进行正确的重建。目前，OCR技术中文档布局分析技术较多使用深度学习，而深度学习属于数据驱动型，其依赖大量具有标注信息的版面数据，该标注信息为版面数据对应图像中每个像素的像素类别。但是，开源的该版面数据较少，且多是外文数据，因此，亟需一种可以合成具有标注信息的版面数据的方法。

发明内容

本发明提供一种版面数据合成方法、设备及存储介质，以实现合成版面数据。

第一方面，本发明实施例提供了一种版面数据合成方法，该方法包括：

将获取的纯文本图像进行自适应二值化处理，得到纯文本二值化图像；

基于所述纯文本二值化图像，获取所述纯文本图像中文字区域的像素坐标和像素值；

对所述纯文本二值化图像进行行列分割处理，得到文本行的坐标、文本分栏的数量以及所述文本分栏的坐标；

基于所述文本行的坐标、文本分栏的数量、所述文本分栏的坐标以及包含至少一个插入数据的插入数据库，确定至少一个待插入数据以及各所述待插入数据的坐标；

基于背景数据库中目标背景图像、所述文字区域的像素坐标和像素值以及至少一个待插入数据和各所述待插入数据的坐标，合成版面数据，所述版面数据具有标签，所述标签用于指示所述版面数据对应图像中每个像素的像素类别。

第二方面，本发明实施例还提供了一种版面数据合成设备，该设备包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如第一方面任一所述的版面数据合成方法。

第三方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面任一所述的版面数据合成方法。