[发明专利]一种基于聚类的表格识别方法及系统

权利要求书

1.一种基于聚类的表格识别方法，其特征是，用于无边框表格的提取，包括：

S110：获取包括待识别无边框表格的PDF图片；

S120：检测PDF图片中文字，将各文字的中心位置标记为关键点，并获取关键点信息；所述关键点信息至少包含中心位置、文字内容、文字最小矩形外框的宽度和高度；

S130：基于关键点的聚类识别表格文字；本步骤包括：

S131：根据位置对关键点进行聚类，将同一类别关键点所包含文字合并，对各合并后文字标记关键点并更新关键点信息；

S132：基于宽度剔除包含非表格文字的关键点；

S133：根据位置对剩余关键点进行聚类；

S134：对每一类别中所有关键点包含文字做最小矩形外框，将存在交集的最小矩形外框内关键点合并为同一类别；

S135：对新的类别重复执行步骤S134，直至不再存在有交集的最小矩形外框；

S136：统计各类别所包含的关键点数，剔除所含关键点数少于预设数量阈值的类别。

2.如权利要求1所述的基于聚类的表格识别方法，其特征是：

子步骤S122具体为：

计算关键点所包含文字的最小矩形外框宽度与PDF图片宽度的比值，当该比值超过预设百分阈值，则该关键点包含文字被认为非表格文字，剔除该关键点。

3.如权利要求1所述的基于聚类的表格识别方法，其特征是，还包括：

S140：提取同一类别所包含的关键点，对每列和每行分别按预设规则计算相应的参考横坐标和参考纵坐标，将各关键点的横坐标依次与各参考横坐标求距离，将关键点横坐标更新为与其距离最小的参考横坐标；将各关键点的纵坐标依次与各参考纵坐标求距离，将关键点纵坐标更新为与其距离最小的参考纵坐标；参考横坐标应位于所在列所有关键点的横坐标范围内，参考纵坐标应位于所在行所有关键点的纵坐标范围内。

4.一种基于聚类的表格识别系统，其特征是，用于无边框表格的提取，包括：

第一获取单元，用来获取包括待识别无边框表格的PDF图片；

文字检测单元，用来检测PDF图片中文字，将文字的中心标记为关键点，每一关键点至少包含中心位置、文字内容、文字最小矩形外框的宽度和高度；

表格文字识别单元，用来利用关键点的聚类识别表格文字；

所述表格文字识别单元包括：

第一聚类子单元，用来根据位置对关键点进行聚类，将同一类关键点所包含文字合并，对各合并后文字标记关键点；

剔除子单元，用来基于宽度剔除包含非表格文字的关键点；

第二聚类子单元，用来根据位置对剩余关键点进行聚类；

合并单元，用来对每一类别中所有关键点包含文字做最小矩形外框，将存在交集的最小矩形外框内关键点合并为同一类别；

重复单元，用来将新的类别重复输入合并单元，直至不再存在有交集的最小矩形外框；

统计单元，用来统计各类别所包含的关键点数，剔除所含关键点数少于预设数量阈值的类别。

5.如权利要求4所述的基于聚类的表格识别系统，其特征是：

还包括第一去抖单元，用来提取同一类别所包含的关键点，对每列和每行分别按预设规则计算相应的参考横坐标和参考纵坐标，将各关键点的横坐标依次与各参考横坐标求距离，将关键点横坐标更新为与其距离最小的参考横坐标；将各关键点的纵坐标依次与各参考纵坐标求距离，将关键点纵坐标更新为与其距离最小的参考纵坐标；参考横坐标应位于所在列所有关键点的横坐标范围内，参考纵坐标应位于所在行所有关键点的纵坐标范围内。