『工程项目实践』表格识别 — V1.0

前言

实现简单的横竖表格图片的识别，提取表格并生成对应的Word文档

• 表格检测（Table Detection）任务是从一个页面中检测出表格所在的区域
• 表格结构识别（Table Structure Recognition）任务则是在检测到的表格区域的基础上，进一步将表格的内容与逻辑结构识别出来
  
  

本篇文章采用的传统方法实现的，在复杂场景下的鲁棒性有所不足，故之后采用了深度学习的方法进行了重新实现(暂定为1.0版本)

其中有些地方只是记录一下实现的思路，具体实现由于公司项目具有极高的商业价值，出于尊重和保护，我不能将所以的实现细节所完全表述，以及代码不能够开源，望谅解。(出于相互学习，朋友可以联系我，相互交流😊😊😊)

一、整体识别流程

二、去印章：remove_mark

step 1: 为了加快后面的印章处理速度，首先进行图片的 resize 操作；
step 2: 遍历图片像素点，将图片的部分位置灰度化，突出红色区域，以便寻找红色轮廓；
step 3: 分离通道，利用红色通道和蓝色通道进行异或，突出 mask 区域；
step 4: 利用 mask，进行印章位置的寻找，可能也会有其他 contour 的干扰；
step 5: 对上面的可疑区域（包含印章部分）进行处理。

三、寻找表格区域：get_pt

对去完印章的图片进行处理，寻找到表格位置，返回表格坐标点位置信息;
对去完印章的图片寻找 contour，利用 contour 的面积以及投影的长度来判定是否属于表格；

四、图片分割：TransformTable

图片分割，根据 pt 值将图片分为 文字区域 和 表格区域：TransformTable

五、文本部分检测

六、文本部分识别

七、表格部分的处理

step 1: 提取表格区域部分；
step 2: 提取表格的 mask : FindContours
step 3: 通过 mask，寻找表格内部的 cell：FindBlocks
step 4: 表格 json 初始化以及位置的计算：table_json_XH
step 5: 表格内部的识别：可参考上面的流程图即可明了。

八、识别结果

1. 速度对比

与其他算法，我们的算法速度有明显的优势。
以下图为例，在同样准确率情况下，我们的算法只需要 0.623s:

而其他表格识别算法需要 1.985s:

2. 鲁棒性

2.1 倾斜不会影响识别结果

2.2 旋转不会影响识别结果：

2.3 背景白平衡不会影响识别结果: 文字识别没有问题，这张图是公司随机生成的一些文字

2.4 复杂结构表格识别：

2.5 多个表格情景：

2.6 多行文字情景：