(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210335092.3 (22)申请日 2022.03.31 (71)申请人 壹沓科技 （上海） 有限公司 地址 200040 上海市 静安区万 荣路666、 670 号1101室 (72)发明人 卞晓瑜　肖鸣林　高磊　 (74)专利代理 机构 北京集佳知识产权代理有限 公司 11227 专利代理师 杨小红 (51)Int.Cl. G06V 30/412(2022.01) G06K 9/62(2022.01) G06F 40/30(2020.01) G06F 40/295(2020.01) (54)发明名称 一种表格还原方法、 装置及相关 设备 (57)摘要 本申请公开了一种表格还原方法、 装置及相 关设备， 该方法包括： 从待还原的表格图像中获 取各文本块的位置信息及文本内容； 基于各文本 块的位置信息， 获取各文本块组合； 对每一文本 块组合内的各文本块的文本内容进行命名实体 识别， 并根据识别结果将目标文本块组合内的各 文本块合并成一个文本块； 基于表格图像中各文 本块的位置信息及文本内容对各文本块进行聚 类分析， 得到聚类信息， 该聚类信息包括各行基 线以及各列基线； 将各文本块还原到由各行基线 和各列基线构成的行列矩阵中， 得到还原后的表 格的各单元格信息。 本申请能够区分出跨行或跨 列的文本块， 按照行基线及列基线进行文本块所 在单元格的还原， 最终能适应性的处理跨行跨列 表格。 权利要求书2页 说明书10页 附图4页 CN 114724153 A 2022.07.08 CN 114724153 A 1.一种表格还原方法， 其特 征在于， 包括： 从待还原的表格图像中获取 各文本块的位置信息及文本内容； 基于各文本块的位置信息， 获取各文本块组合， 每一文本块组合包含至少两个位置相 邻的文本块； 对每一文本块组合内的各文本块的文本 内容进行命名实体识别， 并根据识别结果筛选 出目标文本块组合， 将目标文本块组合内的各文本块合并成一个文本块， 以及更新合并后 的文本块的位置信息和文本内容， 其中， 所述 目标文本块组合内的各文本块能够合并成单 一语义的实体； 基于表格图像 中各文本块的位置信 息及文本内容对各文本块进行聚类分析， 得到聚类 信息， 所述聚类信息包括各 行基线以及各列基线； 将各文本块还原到由各行基线和各列基线构 成的行列矩阵中， 得到还原后的表格的各 单元格信息 。 2.根据权利要求1所述的方法， 其特征在于， 所述基于表格图像中各文本块的位置信 息 及文本内容对各文本块进行聚类分析， 得到聚类信息的过程， 包括： 针对每一文本块： 基于所述文本块的文本内容， 对所述文本块进行词向量嵌入， 得到所述文本块的词向 量； 基于所述文本块的位置信息， 获取 所述文本块的矩形边界框； 将所述矩形边界框的坐标信息融合到所述词向量， 得到所述文本块的融合向量； 通过K‑means对各文本块的融合向量进行聚类分析， 得到聚类信息 。 3.根据权利要求2所述的方法， 其特征在于， 所述通过K ‑means对各文本块的融合向量 进行聚类分析， 得到聚类信息的过程， 包括： 通过K‑means分别从横 向及竖向对各文本块的融合向量进行聚类分析， 得到各行基线 和各列基线。 4.根据权利要求1所述的方法， 其特征在于， 所述 聚类信息还包括同时聚类到一行基线 和一列基线的文本块， 以及不能同时聚类到一行基线和一列基线的游离文本块； 所述将各 文本块还原到由各 行基线和各列基线构成的行列矩阵中的过程， 包括： 将同时聚类到一行基线和一列基线的文本块还原到由所述行基线和所述列基线构成 的单元格中； 对于由各 行基线以及各列基线构成的每一单 元格： 判断所述单 元格的内部是否存在游离文本块； 若是， 将所述游离文本块还原到所述单 元格中。 5.根据权利要求1所述的方法， 其特征在于， 所述基于各文本块的位置信息， 获取各文 本块组合的过程， 包括： 基于各文本块的位置信息， 确定上下相邻或左右相邻的两个或多个邻接文本块， 得到 各文本块组合。 6.根据权利要求1所述的方法， 其特征在于， 所述 聚类信息还包括各文本块的语义聚类 情况， 所述方法还 包括： 根据各文本块的语义聚类情况， 以及各文本块所聚类到的行基线或列基线， 确定目标权　利　要　求　书 1/2 页 2 CN 114724153 A 2表格的表头信息 。 7.根据权利要求1～6中任一项所述的方法， 其特征在于， 所述从待还原 的表格图像中 获取各文本块的位置信息及文本内容的过程， 包括： 通过光学字符识别技 术从待还原的表格图像中获取 各文本块的位置信息及文本内容。 8.一种表格还原装置， 其特 征在于， 包括： 文本块获取 单元， 用于从待还原的表格图像中获取 各文本块的位置信息及文本内容； 相邻块获取单元， 用于基于各文本块的位置信 息， 获取各文本块组合， 每一文本块组合 包含至少两个位置相邻的文本块； 文本块合并单元， 用于对每一文本块组合内的各文本块的文本内容进行命名实体识 别， 并根据识别结果筛选出目标文本块组合， 将目标文本块组合内的各文本块合并成一个 文本块， 以及更新合并后的文本块的位置信息和文本内容， 其中， 所述目标文本块组合内的 各文本块能够合并成单一语义的实体； 文本块聚类单元， 用于基于表格图像中各文本块的位置信 息及文本 内容对各文本块进 行聚类分析， 得到聚类信息， 所述聚类信息包括各 行基线以及各列基线； 单元格还原单元， 用于将各文本块还原到由各行基线和各列基线构成的行列矩阵中， 得到还原后的表格的各 单元格信息 。 9.一种表格还原设备， 其特 征在于， 包括： 存 储器和处 理器； 所述存储器， 用于存 储程序； 所述处理器， 用于执行所述程序， 实现如权利要求1～7中任一项所述的表格还原方法 的各个步骤。 10.一种存储介质， 其上存储有计算机程序， 其特征在于， 所述计算机程序被处理器执 行时， 实现如权利要求1～7中任一项所述的表格还原方法的各个步骤。权　利　要　求　书 2/2 页 3 CN 114724153 A 3