翻译图片中的文字的方法、装置、电子设备、及存储介质与流程

本公开实施例涉及计算机应用技术领域，具体涉及一种翻译图片中的文字的方法、装置、电子设备、及存储介质。

背景技术：

随着国际化越来越深入，不同国家的用户之间信息交互越来越频繁，用户之间存在不时需要分享诸如文件扫描件、带文字图片、ppt文件、带字幕视频等资源的需求。

由于这些资源中包含特定语种的文字，若分享给不同语种的用户时，需要将资源中的文本内容翻译成对方语种对应的内容。

技术实现要素：

有鉴于此，本公开实施例提供一种翻译图片中的文字的方法、装置、电子设备、及存储介质，以根据不同语种的用户调整嵌入图片或视频中的文字，能够提升图片或视频中信息的传播范围。

本公开实施例的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开实施例的实践而习得。

第一方面，本公开实施例提供了一种翻译图片中的文字的方法，包括：识别嵌入在目标图片中的文字，得到至少一个文本行，其中一个文本行对应一行文字；对所述至少一个文本行进行段落合并，得到至少一个文本段；将所述至少一个文本段翻译成指定语种的目标文本段；用所述目标文本段来替换所述目标图片中的文字。

第二方面，本公开实施例还提供了一种翻译图片中的文字的装置，包括：文本行识别单元，用于识别嵌入在目标图片中的文字，得到至少一个文本行，其中一个文本行对应一行文字；段落合并单元，用于对所述至少一个文本行进行段落合并，得到至少一个文本段；文字翻译单元，用于将所述至少一个文本段翻译成指定语种的目标文本段；文字替换单元，用于用所述目标文本段来替换所述目标图片中的文字。

在本公开的第三方面，提供了一种电子设备。该电子设备包括：处理器；以及存储器，用于存储可执行指令，所述可执行指令在被所述处理器执行时使得所述电子设备执行第一方面中的方法。

在本公开的第四方面，提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现第一方面中的方法。

本公开实施例通过识别嵌入在目标图片中的文字，得到至少一个文本行之后进行段落合并得到至少一个文本段，翻译成指定语种的目标文本段，用以替换所述目标图片中的文字，能够根据不同语种的用户调整嵌入在图片或视频中的文字，能够提升图片或视频中信息的传播范围。

附图说明

为了更清楚地说明本公开实施例中的技术方案，下面将对本公开实施例描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本公开实施例中的一部分实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据本公开实施例的内容和这些附图获得其他的附图。

图1是本公开实施例提供的一种翻译图片中的文字的方法的流程示意图；

图2是本公开实施例提供的另一种翻译图片中的文字的方法的流程示意图；

图3是本公开实施例提供的又一种翻译图片中的文字的方法的流程示意图；

图4是本公开实施例提供的一种翻译图片中的文字的装置的结构示意图；

图5示出了适于用来实现本公开实施例的电子设备的结构示意图。

具体实施方式

为使本公开实施例解决的技术问题、采用的技术方案和达到的技术效果更加清楚，下面将结合附图对本公开实施例的技术方案作进一步的详细描述，显然，所描述的实施例仅仅是本公开实施例中的一部分实施例，而不是全部的实施例。基于本公开实施例中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本公开实施例保护的范围。

需要说明的是，本公开实施例中术语“系统”和“网络”在本文中常被可互换使用。本公开实施例中提到的“和/或”是指包括一个或更多个相关所列项目的任何和所有组合。本公开的说明书和权利要求书及附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于限定特定顺序。

还需要说明是，本公开实施例中下述各个实施例可以单独执行，各个实施例之间也可以相互结合执行，本公开实施例对此不作具体限制。

本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。

下面结合附图并通过具体实施方式来进一步说明本公开实施例的技术方案。

图1示出了本公开实施例提供的一种翻译图片中的文字的方法的流程示意图，本实施例可适用于将图片中的文字替换为另一种语种的文字的情况，该方法可以由配置于电子设备中的翻译图片中的文字的装置来执行，如图1所示，本实施例所述的翻译图片中的文字的方法包括：

在步骤s110中，识别嵌入在目标图片中的文字，得到至少一个文本行，其中一个文本行对应一行文字。本步骤目的在于得到每行文字对应的文本行，其中，识别文字包括多种方法，例如，可通过ocr技术或用于识别图片文字的机器学习模型识别文字。

在步骤s120中，对所述至少一个文本行进行段落合并，得到至少一个文本段。对文本行进行段落合并可采用多种方法，例如可通过用于将文本行合并为段落的机器学习模型进行段落合并。又如，还可根据文本行结束符是否是句号、与相邻文本行之间的语义关系、与相邻文本行的位置关系等特点进行段落合并。

在步骤s130中，将所述至少一个文本段翻译成指定语种的目标文本段。在一些实施例中，执行该方法的电子设备可以利用预先训练好的翻译模型将各文本段翻译成目标文本段。例如，翻译模型可以采用基于神经网络的序列到序列模型、统计翻译模型等。

应该注意的是，本公开的实施例并不限于用翻译模型来将各文本段翻译成目标文本段，也可以采用其他的方式来实现翻译操作，例如基于规则的机器翻译方法等。

在步骤s140中，用所述目标文本段来替换所述目标图片中的文字。执行该方法的电子设备可以将所述目标图片中的文字擦除，将所述目标文本段进行排版后，嵌入到所述目标图片中。这样，目标图片中的文字翻译后与原位置相同。

需要说明的是，所述排版可包括调整页边距、调整框边距、调整行边距、调整字距、以及缩放处理等内容。可根据所述目标图片中的文字的排版风格，对所述目标文本段进行排版，以保持所述目标图片原来排版风格，以增加图片风格一致性。

需要说明的是，通过步骤s110识别文字后，得到的是一行行的文字识别结果。而图片上的文字是分段组织的，通常一个段落对应多行文字，从同一段落识别出来的多行文字原本是语义连贯的，若按行进行逐行翻译则被翻译的行可能语句不完整，据此翻译得到的结果可能会不准确。至少基于上述理由，通过步骤s120进行段落合并得到文本段后再通过步骤s130进行翻译，能增强翻译结果的准确性，能提高翻译质量。

本实施例通过识别嵌入在目标图片中的文字，得到至少一个文本行之后进行段落合并得到至少一个文本段，翻译成指定语种的目标文本段，用以替换所述目标图片中的文字，能够根据不同语种的用户调整嵌入图片或视频中的文字，能够提升图片或视频中信息的传播范围。

图2示出了本公开实施例提供的另一种翻译图片中的文字的方法的流程示意图，本实施例以前述实施例为基础，进行了改进优化。如图2所示，本实施例所述的翻译图片中的文字的方法包括：

在步骤s210中，识别嵌入在目标图片中的文字，得到至少一个文本行，获取各文本行对应文字的图片特征，其中一个文本行对应一行文字。其中所述图片特征可包括页边距、字体大小、字体颜色、以及与相邻行的行间距等一种或多种信息。

本步骤可采用ocr技术实现，还可使用机器学习模型实现，例如可通过如下方法训练得到用于识别图片文字的机器学习模型：获取包含至少一行文本的图片作为训练样本，将图片中包含的各文本行内容和各文本行对应文字的图片特征作为样本标注；确定初始化的机器学习模型，包括用于输出图片中所包含的各文本行内容和各文本行对应文字的图片特征的目标层；利用机器学习的方法，将训练样本集合中的训练样本中的图片作为初始化的所述机器学习模型的输入，将与输入的图片对应的各文本行内容和各文本行对应文字的图片特征作为初始化的所述机器学习模型的期望输出，训练得到所述机器学习模型。

训练好上述用于识别图片文字的机器学习模型之后，将所述目标图片输入上述机器学习模型，所述机器学习模型输出所述目标图片中包含的至少一个文本行、以及各文本行对应文字的图片特征。

在步骤s220中，根据各文本行对应文字的图片特征，对所述至少一个文本行进行段落合并，得到至少一个文本段。本步骤可根据文本行结束符是否是句号、与相邻文本行之间的语义关系、与相邻文本行的位置关系等特点进行段落合并。

具体地，例如，若所述文字的段落特征为常规段落形式，如段首缩进预定字符(例如中文常规缩进2个字符)，且所述图片特征包括页边距，若某文本行对应文字的页边距确定其行首缩进2个字符，则确定该文本行不属于上一文本行所在段落，而属于新的段落，若某文本行对应文字的页边距确定其行首没有缩进，则确定该文本行属于上一文本行所在段落。又如，若所述文字的相邻段落采用不同字体或字体颜色区隔，可根据文本行的字体或字体颜色与相邻文本行的字体是否一致确定是否与该相邻文本行属于同一段落。再如，若所述文字的段间距与行间距不同，还可根据文本行与上一文本行的间距确定该文本行是否与上一文本行属于同一段落。

又如，本步骤还可通机器学习模型实现，例如可通过如下方法训练得到用于将文本行合并为段落的机器学习模型：人工标注图片上的文本行位置信息以及合并之后的文本段落位置信息，构建段落合并图片训练集。利用文本行的左边距、右边距、行间距、高度间距、宽度间距、字号等图片特征建立决策树规则模型，用于判断相邻文本行是否需要合并，通过图片测试集调整决策树规则模型的参数。

训练好上述用于将文本行合并为段落的机器学习模型之后，将所述目标图片中的各文本行以及各文本行对应文字的图片特征输入上述机器学习模型，上述机器学习模型输出所至少一个文本段。

在步骤s230中，将所述至少一个文本段翻译成指定语种的目标文本段。在一些实施例中，执行该方法的电子设备可以利用基于神经网络的序列到序列模型、统计翻译模型等将各文本段翻译成目标文本段。

在步骤s240中，用所述目标文本段来替换所述目标图片中的文字。执行该方法的电子设备可以将该目标图片中的文字擦除后，进一步将所述目标文本段按照原来的页边距、字体大小、字体颜色、以及与相邻行的行间距等图片特征排版后嵌入进来，能够保持所述目标图片原来的特征，以增加原图片和翻译后的图片的一致性。

在上一实施例的基础之上，本实施例在得到文本行之后，获取该文本行对应的页边距、字体大小、字体颜色、以及与相邻行的行间距等图片特征，根据各文本行对应的图片特征进行段落合并，能够根据不同语种的用户调整嵌入图片或视频中的文字，能够提升图片或视频中信息的传播范围。

图3示出了本公开实施例提供的另一种翻译图片中的文字的方法的流程示意图，本实施例以前述实施例为基础，进行了改进优化。如图3所示，本实施例所述的翻译图片中的文字的方法包括：

在步骤s310中，识别嵌入在目标图片中的文字，得到至少一个文本行，获取各文本行对应文字的位置信息，其中一个文本行对应一行文字。

在步骤s320中，对所述至少一个文本行进行段落合并，得到至少一个文本段，对所述至少一个文本段，根据该文本段所对应的各文本行对应文字的位置信息，确定该文本段对应文字的位置信息。即求取段落对应的文本行所对应文字的位置信息，求取各文本行区间的并集。

在步骤s330中，将所述至少一个文本段翻译成指定语种的目标文本段。在一些实施例中，执行该方法的电子设备可以利用基于神经网络的序列到序列模型、统计翻译模型等将各文本段翻译成目标文本段。

在步骤s340中，将所述目标图片中的文字擦除，对所述至少一个文本段，将该文本段的翻译结果根据该文本段对应文字的位置信息进行排版后，根据该文本段对应文字的位置信息将排版结果嵌入到所述目标图片中。

例如，所述进行排版包括调整页边距、调整框边距、调整行边距、调整字距、以及进行缩放处理等一种或多种排版操作。

在上一实施例的基础之上，本实施例在得到文本行之后，获取各文本行对应文字的位置信息，以根据合并后的段落对应文本行对应文字的位置信息确定文本段对应文字的位置信息，以据此对文本段的翻译结果进行排版，能使翻译结果嵌入目标图片后保持原图片的风格，能提高图片处理质量。

作为上述各图所示方法的实现，本申请提供了一种翻译图片中的文字的装置的一个实施例,图4示出了本实施例提供的一种翻译图片中的文字的装置的结构示意图，该装置实施例与图1至图3所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。如图4所示，本实施例所述的翻译图片中的文字的装置包括文本行识别单元410、段落合并单元420、文字翻译单元430和文字替换单元440。

所述文本行识别单元410被配置为，用于识别嵌入在目标图片中的文字，得到至少一个文本行，其中一个文本行对应一行文字。

所述段落合并单元420被配置为，用于对所述至少一个文本行进行段落合并，得到至少一个文本段。

所述文字翻译单元430被配置为，用于将所述至少一个文本段翻译成指定语种的目标文本段。

所述文字替换单元440被配置为，用于用所述目标文本段来替换所述目标图片中的文字。

于一实施例中，所述文本行识别单元410被配置为，还用于在得到至少一个文本行之后，获取各文本行对应文字的图片特征，其中所述图片特征包括页边距、字体大小、字体颜色、以及与相邻行的行间距中的至少一项；所述段落合并单元420被配置为，还用于根据各文本行对应文字的图片特征，对所述至少一个文本行进行段落合并。

于一实施例中，所述文本行识别单元410被配置为，还用于通过用于识别图片文字的机器学习模型识别嵌入在所述目标图片中的所述文字，得到至少一个文本行、以及各文本行对应文字的图片特征。

于一实施例中，所述段落合并单元420被配置为，还用于通过用于将文本行合并为段落的机器学习模型根据各文本行对应文字的图片特征，对所述至少一个文本行进行段落合并。

于一实施例中，所述文本行识别单元410被配置为，还用于在得到至少一个文本行之后，获取各文本行对应文字的位置信息；对所述至少一个文本段，根据该文本段所对应的各文本行对应文字的位置信息，确定该文本段对应文字的位置信息；所述文字替换单元440被配置为，还用于将所述目标图片中的文字擦除，对所述至少一个文本段，将该文本段的翻译结果根据该文本段对应文字的位置信息进行排版后，根据该文本段对应文字的位置信息将排版结果嵌入到所述目标图片中。

进一步地，所述排版包括调整页边距、调整框边距、调整行边距、调整字距、以及缩放处理中的至少一项。

本实施例提供的翻译图片中的文字的装置可执行本公开方法实施例所提供的翻译图片中的文字的方法，具备执行方法相应的功能模块和有益效果。

下面参考图5，其示出了适于用来实现本公开实施例的电子设备500的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、pda(个人数字助理)、pad(平板电脑)、pmp(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字tv、台式计算机等等的固定终端。图5示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图5所示，电子设备500可以包括处理装置(例如中央处理器、图形处理器等)501，其可以根据存储在只读存储器(rom)502中的程序或者从存储装置508加载到随机访问存储器(ram)503中的程序而执行各种适当的动作和处理。在ram503中，还存储有电子设备500操作所需的各种程序和数据。处理装置501、rom502以及ram503通过总线504彼此相连。输入/输出(i/o)接口505也连接至总线504。

通常，以下装置可以连接至i/o接口505：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置506；包括例如液晶显示器(lcd)、扬声器、振动器等的输出装置507；包括例如磁带、硬盘等的存储装置508；以及通信装置509。通信装置509可以允许电子设备500与其他设备进行无线或有线通信以交换数据。虽然图5示出了具有各种装置的电子设备500，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。

特别地，根据本公开实施例的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开实施例的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置509从网络上被下载和安装，或者从存储装置508被安装，或者从rom502被安装。在该计算机程序被处理装置501执行时，执行本公开实施例的方法中限定的上述功能。

需要说明的是，本公开实施例上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、rf(射频)等等，或者上述的任意合适的组合。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。

上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：识别嵌入在目标图片中的文字，得到至少一个文本行，其中一个文本行对应一行文字；对所述至少一个文本行进行段落合并，得到至少一个文本段；将所述至少一个文本段翻译成指定语种的目标文本段；用所述目标文本段来替换所述目标图片中的文字。

可以以一种或多种程序设计语种或其组合来编写用于执行本公开实施例的操作的计算机程序代码，上述程序设计语种包括面向对象的程序设计语种—诸如java、smalltalk、c++，还包括常规的过程式程序设计语种—诸如“c”语种或类似的程序设计语种。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开实施例各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，单元的名称在某种情况下并不构成对该单元本身的限定，例如，第一获取单元还可以被描述为“获取至少两个网际协议地址的单元”。

根据本公开的一个或多个实施例，所述翻译图片中的文字的方法中，在得到至少一个文本行之后所述方法还包括：获取各文本行对应文字的图片特征，其中所述图片特征包括页边距、字体大小、字体颜色、以及与相邻行的行间距中的至少一项；对所述至少一个文本行进行段落合并包括：根据各文本行对应文字的图片特征，对所述至少一个文本行进行段落合并。

根据本公开的一个或多个实施例，所述翻译图片中的文字的方法中，所述识别嵌入在目标图片中的文字,得到至少一个文本行,获取各文本行对应文字的图片特征包括：通过用于识别图片文字的机器学习模型识别嵌入在所述目标图片中的所述文字，得到至少一个文本行、以及各文本行对应文字的图片特征。

根据本公开的一个或多个实施例，所述翻译图片中的文字的方法中，根据各文本行对应文字的图片特征，对所述至少一个文本行进行段落合并包括：通过用于将文本行合并为段落的机器学习模型根据各文本行对应文字的图片特征，对所述至少一个文本行进行段落合并。

根据本公开的一个或多个实施例，所述翻译图片中的文字的方法中，在得到至少一个文本行之后所述方法还包括：获取各文本行对应文字的位置信息；对所述至少一个文本段，根据该文本段所对应的各文本行对应文字的位置信息，确定该文本段对应文字的位置信息；所述用所述目标文本段来替换所述目标图片中的文字包括：将所述目标图片中的文字擦除，对所述至少一个文本段，将该文本段的翻译结果根据该文本段对应文字的位置信息进行排版后，根据该文本段对应文字的位置信息将排版结果嵌入到所述目标图片中。

根据本公开的一个或多个实施例，所述翻译图片中的文字的方法中，所述排版包括调整页边距、调整框边距、调整行边距、调整字距、以及缩放处理中的至少一项。

根据本公开的一个或多个实施例，所述翻译图片中的文字的装置中，所述文本行识别单元还用于，在得到至少一个文本行之后，获取各文本行对应文字的图片特征，其中所述图片特征包括页边距、字体大小、字体颜色、以及与相邻行的行间距中的至少一项；所述段落合并单元还用于，根据各文本行对应文字的图片特征，对所述至少一个文本行进行段落合并。

根据本公开的一个或多个实施例，所述翻译图片中的文字的装置中，所述文本行识别单元用于：通过用于识别图片文字的机器学习模型识别嵌入在所述目标图片中的所述文字，得到至少一个文本行、以及各文本行对应文字的图片特征。

根据本公开的一个或多个实施例，所述翻译图片中的文字的装置中，所述段落合并单元用于：通过用于将文本行合并为段落的机器学习模型根据各文本行对应文字的图片特征，对所述至少一个文本行进行段落合并。

根据本公开的一个或多个实施例，所述翻译图片中的文字的装置中，所述文本行识别单元还用于，在得到至少一个文本行之后，获取各文本行对应文字的位置信息；对所述至少一个文本段，根据该文本段所对应的各文本行对应文字的位置信息，确定该文本段对应文字的位置信息；所述文字替换单元用于，将所述目标图片中的文字擦除，对所述至少一个文本段，将该文本段的翻译结果根据该文本段对应文字的位置信息进行排版后，根据该文本段对应文字的位置信息将排版结果嵌入到所述目标图片中。

根据本公开的一个或多个实施例，所述翻译图片中的文字的装置中，所述排版包括调整页边距、调整框边距、调整行边距、调整字距、以及缩放处理中的至少一项。

以上描述仅为本公开实施例的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开实施例中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。