使用 OpenCV 检测表

Question

我经常使用扫描的文件。这些论文包含我需要手动输入计算机的表格（类似于 Excel 表格）。为了使任务变得更糟，表格可以具有不同数量的列。至少可以说，将它们手动输入 Excel 是很平常的。

我想如果我可以将一个程序用于 OCR，我可以为自己节省一周的工作时间。是否可以使用 OpenCV 和 OCR 检测标题文本区域，检测图像坐标后面的文本。

我可以在 OpenCV 的帮助下实现这一点，还是需要完全不同的方法？

编辑：示例表实际上只是一个标准表，类似于您在 Excel 和其他电子表格应用程序中看到的，见下文。

Answer 1

这个问题似乎有点老了，但我也在研究一个类似的问题，并得到了我自己的解决方案，我在这里解释一下。

对于使用任何 OCR 引擎读取文本，在获得良好准确性方面存在许多挑战，其中包括以下主要情况：

1. 由于图像质量差/背景区域中存在不需要的元素/斑点而存在噪点。这将需要一些预处理，如噪声去除，可以使用高斯滤波器或正常中值滤波方法轻松完成。这些也可以在opencv 中找到。

2. 图像方向错误：由于方向错误，OCR 引擎无法正确分割图像中的线条和文字，导致准确度最差。

3. 存在行：在进行单词或行分割时，OCR 引擎有时还会尝试将单词和行合并在一起，从而处理错误的内容，从而给出错误的结果。 还有其他问题，但这些是基本问题。

在这种情况下，我认为扫描图像质量非常好且简单，可以使用以下步骤解决问题。

1. 简单的图像二值化将删除背景内容，只留下必要的内容，如下所示。

2. 现在我们必须删除在这种情况下是表格网格的线。这也可以使用连接组件和删除大型连接组件来识别。所以我们需要输入到 OCR 引擎的最终图像将如下所示。

3. 对于 OCR，我们可以使用 Tesseract 开源 OCR 引擎。我从 OCR 得到以下结果：

   字幕标题

   标题！ header2 header3

   行1单元1行1单元2行1单元3

   行2单元1行2单元2行2单元3

4. 正如我们在此处看到的，结果非常准确，但存在一些问题，例如 header!应该是header1，这是因为OCR引擎误解了！与 1. 可以通过使用基于正则表达式的操作进一步处理结果来解决此问题。

在对 OCR 结果进行后处理后，可以对其进行解析以读取行和列值。

在这种情况下，也可以使用它们的字体信息对工作表标题、标题和正常单元格值进行分类。