如何在图像中从表格中提取文本？
如何在图像中从表格中提取文本？
提问于 2019-12-17 08:55:56
我有一个结构化表格图像中的数据。数据如下：
我试图使用以下代码从该图像中提取文本：
import pytesseract
from PIL import Image
value=Image.open("data/pic_table3.png")
text = pytesseract.image_to_string(value, lang="eng")
print(text)下面是输出：
EA域 传统角色 未来作用 技术e封闭平台开放平台 E物理e虚拟化应用程序和e私有e组织间集成e Siloed复合e P2P集成应用程序 电子EAI技术电子软件asa服务 面向服务的企业系统 E事务自动化体系结构 E“信息通报” 交互作用
但是，应该根据列和行对齐预期的数据输出。我怎么能这么做？
回答 2
Stack Overflow用户
发布于 2019-12-17 21:12:27
您必须对图像进行预处理，以删除表格中的线条和点，然后再将其扔到OCR中。下面是一种使用OpenCV的方法。
- 加载图像、灰度和Otsu阈值
- 移除水平线
- 移除垂直线
- 使用等高线区域过滤展开连接文本和删除点。
- 按位重建图像
- OCR
这是经过处理的图像：
结果来自Pytesseract
EA Domains Traditional role Future role
Technology Closed platforms Open platforms
Physical Virtualized
Applications and Proprietary Inter-organizational
Integration Siloed composite
P2P integrations applications
EAI technology Software as a Service
Enterprise Systems Service-Oriented
Automating transactions Architecture
“‘Informating”
interactions代码
import cv2
import pytesseract
pytesseract.pytesseract.tesseract_cmd = r"C:\Program Files\Tesseract-OCR\tesseract.exe"
# Load image, grayscale, and Otsu's threshold
image = cv2.imread('1.png')
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
thresh = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU)[1]
# Remove horizontal lines
horizontal_kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (50,1))
detect_horizontal = cv2.morphologyEx(thresh, cv2.MORPH_OPEN, horizontal_kernel, iterations=2)
cnts = cv2.findContours(detect_horizontal, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
cnts = cnts[0] if len(cnts) == 2 else cnts[1]
for c in cnts:
cv2.drawContours(thresh, [c], -1, (0,0,0), 2)
# Remove vertical lines
vertical_kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (1,15))
detect_vertical = cv2.morphologyEx(thresh, cv2.MORPH_OPEN, vertical_kernel, iterations=2)
cnts = cv2.findContours(detect_vertical, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
cnts = cnts[0] if len(cnts) == 2 else cnts[1]
for c in cnts:
cv2.drawContours(thresh, [c], -1, (0,0,0), 3)
# Dilate to connect text and remove dots
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (10,1))
dilate = cv2.dilate(thresh, kernel, iterations=2)
cnts = cv2.findContours(dilate, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
cnts = cnts[0] if len(cnts) == 2 else cnts[1]
for c in cnts:
area = cv2.contourArea(c)
if area < 500:
cv2.drawContours(dilate, [c], -1, (0,0,0), -1)
# Bitwise-and to reconstruct image
result = cv2.bitwise_and(image, image, mask=dilate)
result[dilate==0] = (255,255,255)
# OCR
data = pytesseract.image_to_string(result, lang='eng',config='--psm 6')
print(data)
cv2.imshow('thresh', thresh)
cv2.imshow('result', result)
cv2.imshow('dilate', dilate)
cv2.waitKey()Stack Overflow用户
发布于 2020-06-24 15:56:34
您可能需要首先检测单元格，如此图像所示。您可以使用OpenCV提供的库hough线转换来完成它。之后，您可以使用检测到的行来选择ROI，然后提取每个单元格的文本。
如需详细解释，请访问我的博客
页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接：
https://stackoverflow.com/questions/59370642
复制相关文章
相似问题
腾讯云开发者
