表格图像提取-基于传统交点方法和Tesseract-OCR

本文应用传统交点方法来提取框线表格，主要是针对存在合并单元格的表格，并用tesseract-ocr来做了文字识别，主要难点是前者的提取部分，现将部分方法分享给大家。

建议各位可以先去看其他博主针对简单表格的提取方法，再来看这篇，因为我省略了很多内容，主要讲方法，不建议之前完全没了解过的朋友来看，推荐一篇：

python-opencv表格识别_我想问问天的博客-CSDN博客_opencv 表格识别

由于想恰饭，挣一下毕业旅行的费用，故只将部分内容分享，还望理解，同时也是本人第一次发文章，如有不到位的地方，还望指出。

我查看了许多发表在csdn上的博文，传统方法就是利用框线相交，获得交点以此来提取单元格，但是大多数都是针对简单的表格，在实际的办公生活中，我们更多的遇见存在合并单元格的复杂表如下图，那么就需要一套复杂的方法提取。

图像的预处理是至关重要的一步，必须要减少图像中存在的各类干扰，目的是将能够准确提取交点，整个提取过程，都是依照交点坐标进行的，图像预处理可参考其他博主的，一般情况需要进行图像二值化、灰度化、去噪、锐化等处理......

举个例子：存在某些图像，其框线的交接部分并没有连接，不能提取出交点，那就可以利用Opencv库中的方法，将检测出来的框线延长一些，使得能得到交点，如下图。

因为图像处理部分至关重要，将影响之后的表格结构提取和文字识别，所以需要各位不断去调试，以达到理想效果，我认为这也是传统方法的局限性，所以当前热门的都是用深度学习的方法。

图像预处理完成后，就来到了本文章的主要内容——提取表格结构

整个提取过程分为两步：

        1.交点分类

        2.依据交点类别进行表格提取

这是一张原始图片，存在合并单元格的情况，因为这篇文章重要讲述方法，不讲太多图像处理过程，所以使用了清晰度高的图像，但是必须要强调图像预处理的重要性。

（1）经过二值化、灰度化之后

 （2）提取横线和竖线，经过腐蚀膨胀，故线条比原图要长一些

 （3）将横线和竖线叠加，目的是获得交点

 （4）经过叠加，则获取了交点，标记为黑点

 （5）进行交点分类，首先标识出代表每个单元格的标志点，例如下图单元格中，p1点则为标志点，即代表当前单元格。

 以上述信息，即可将图中交点进行初次分类，其中标志点为红色点：

 当前分类远远不够，仍不能将表格单元格很好提取，需要再次进行分类，保留红色点，以及表格最下和最右上的点的颜色，其余点设为绿色，如图：

（6）按照不同颜色类型的交点，设计一套方法，即可将每个单元的区域位置得到。

 （7）接下来的步骤就是将截取的各个单元格保存在文件夹中，记录单元格位置信息，为之后的表格结构还原和文字识别做准备。

由于本穷学生想恰饭，故没有将核心具体方法给出，如果有感兴趣的朋友，可以私聊，我可以给项目代码，也可以通过ppt讲演整个过程，希望各位轻骂，总而言之，穷是原罪。