python图片内容长度识别_python 图片中的表格识别

接到个任务需要将几万张带表格的图片转换成结构化数据。

1. 大步骤

最终算是完成任务，但是识别率上还有一点问题，人工再过一下，还是蛮快的。先说一下大的步骤：分割单元格。将图片中的表格全部定位出来，然后按单元格裁剪成一个个小图片，以便后续分析及操作；

聚焦。其实就是将单元格中的文本区域裁剪出来，将多余的空白去掉；

大图片的识别。对于大图片用图像相似性的算法(phash+汉明距离)做识别；

小图片的识别。对于小图片，做字符分割，然后用NN做分类识别；

识别结果输出到txt；

txt输出到excel。将全部txt按照目标表格的格式，解析输出到excel。

1.1 分割单元格

既然只关心表格区域，所以第一步先将各个单元格拆分出来，截取成一个个小图片。尝试用图像的膨胀、腐蚀来定位表格区域，图像处理包skimage，最后算是定位出了表格区域，也分割出了各个单元格图片，其中部分中间过程的图片如下：

分割单元格这一块的基本流程是：读取图像；

二值化处理；

横向、纵向的膨胀、腐蚀操作，得到横线图img_row和竖线图img_col；

得到点图，img_row + img_col=img_dot；

得到线图，img_row × img_col=img_line(线图只是拿来看看的，后续没有用到)；

浓缩点团到单个像素；

开始遍历各行的点，将各个单元格从二值图像上裁剪出来，保存到temp文件夹。

参考资料：

1.1.1 读取图像、二值化import skimage

# 读取图片，并转灰度图

img=io.imread(imgFilePath,True)

#二值化

bi_th=0.81

img[img<=bi_th]=0

img[img>bi_th]=1

1.1.2 膨胀、腐蚀操作# 膨胀腐蚀操作

def dil2ero(img,selem):

img=morphology.dilation(img,selem)

imgres=morphology.erosion(img,selem)

return imgres

# 求图像中的横线和竖线

rows,cols=img.shape

scale=80

col_selem=morphology.rectangle(cols//scale,1)

img_cols=dil2ero(img,col_selem)

row_selem=morphology.rectangle(1,rows//scale)

img_rows=dil2ero(img,row_selem)

1.1.3 得到点图、线图# 线图

img_line=img_cols*img_rows

# 点图

img_dot=img_cols+img_rows_temp

img_dot[img_dot>0]=1

img_dot=clearEdge(img_dot,3)

1.1.4 浓缩点为单个像素# 收缩点团为单像素点(3×3)

d