OFD版式文档段落识别方法及装置

摘要

本申请公开了一种OFD版式文档段落识别方法及装置，用以解决版式文档提取文字段落错误率高的技术问题。其中，一种OFD版式文档段落识别方案，通过对所述版式图像进行图像分割，至少生成若干文字块；提取所述若干文字块的特征属性；将相似版式进行聚类，生成元素为文字块的若干聚类文字块集合；对所述若干聚类文字块集合进行段落识别，生成段落块信息；根据所述段落块信息，更新版式文档中的段落标识。以便操作者在对文本段落进行提取时，可以得到还原流式格式的字符串。并且通过对文字块的语义连续性进行计算，提高了识别文本段落的准确性。同时，还针对OFD版式文档表格提出了一种新的文本提取方案，提高了文本提取的泛用性。