明月机器学习系列022：表格识别（上）
前面写过一篇图像处理的文章，最近一直在处理图像，昏了头。表格识别是基于同事的代码上做个小结吧。
其实如果清楚了怎么实现，其实并不难，只是如果不知道，可能就得走很多冤枉路了，而且还可能做不好。
样例图像：
我们所要做的就是将这个表格结构出来，就是要得到每个单元格及其坐标。
表格识别流程
表格识别看着简单，真做起来细节挺多，先上一个识别流程：
这次只说下面几个功能：
- 检测横竖线
- 曲线聚合
- 求曲线方程
检测横竖线
这个主要使用opencv的功能，知道就知道，不知道就不知道了：
def detect_col_line(binary, scale):
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (1, scale))
eroded = cv2.erode(binary, kernel, iterations=1)
return cv2.dilate(eroded, kernel, iterations=1)
def detect_row_line(binary, scale):
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (scale, 1))
eroded = cv2.erode(binary, kernel, iterations=1)
return cv2.dilate(eroded, kernel, iterations=1)上面是两个封装好的横线和竖线识别函数。以横线为例，上面的样例图像输入，出来效果大概如下：
表格的横线都识别出来了，但是这里的粗细并不一致，有些地方粗有些地方细，另外，这图上到底有几个横线呢？（这个问题看起来有点傻，但是那是人类进化几百万而来的）
曲线聚合
我们其实是一眼就能看出来，图上有几个横线，可是程序该如何处理呢，可要注意线条各处粗细不一的，可能还有有倾斜。
比较好的方式，应该是聚类，把同一个横线上的点都聚成一类。聚类算法就直接使用DBSCAN，不复杂：
def cluster_lines(data):
db = DBSCAN(eps=3, min_samples=2).fit(data)
labels = db.labels_
n_clusters_ = len(set(labels)) - (1 if -1 in labels else 0)
return n_clusters_, labels将横线上的点的坐标直接聚类，主要参数就两个eps和min_samples，这是使用DBSCAN经常需要调的参数。
关于DBSCAN，可以参考这个，这两个算法是很相似的。(聚类算法真是挺好用）
求曲线方程
因为每个曲线各处粗细不一，所以想简单就能得到比较好的曲线方程，还是不容易的。不过如果说穿了，也很简单，直接做曲线拟合就能得出比较好的效果。而要做直线拟合也很简单了，很多现成的python可以实现，如下：
def fit_line(points):
X = points[:, 1]
Y = points[:, 0]
params = np.polyfit(X, Y, 1)
return params拟合曲线就是拟合一个曲线：y = a*x + b
上面的函数返回的参数params就是a和b。拟合原理最简单的，例如最小二乘法，很多书或者文章都会有讲，这不赘述。
拟合结果，参数大概如下：
array([0.00909282, 8.71485819]),
array([8.83827464e-03, 1.15591622e+02]),
array([7.93308162e-03, 2.78301711e+02]),
array([7.92396779e-03, 4.91256108e+02]),
array([7.76090442e-03, 6.51120107e+02]),
array([7.2484639e-03, 7.2118593e+02])第一个值是斜率，第二个值是截距。
有了斜率，我们其实还可以做角度纠正。
未完待续。。。
腾讯云开发者
