[发明专利]基于OCR技术的图片表格识别方法

说明书

本发明涉及基于OCR技术的图片表格识别方法，包括：A.通过OCR技术对图片内容进行行切分，判断图片内容中是否含有表格，如果有则继续，否则结束；B.对行切分图进行OCR技术的膨胀操作和腐蚀操作，分别得到表格的行线和列线，计算行线和列线的交点坐标；C.根据所述的交点坐标进行切图，得到单元格集；D.迭代单元格集中的单元格，对每个图片形式的单元格进行行切分得到各单元格中图片形式的文本行；E.通过OCR技术识别所有图片形式的文本行中的字符文本，并根据每个文本行的定位将其对应的字符文本组合成完整的结构化文本。本发明能够实现表格识别100％的正确率，并且不需要预先制定表格模板，能够适用于更广泛的应用领域，并且资源消耗少。

技术领域

本发明涉及图像识别的方法，具体讲是基于OCR技术的图片表格识别方法。

背景技术

在图像处理领域，人们对含有表格文档识别的研究取得了很大的进展。对表格识别之前，需要先对文档进行版面分析，提取出文档中的表格，然后对表格进行定位，最后根据定位结果识别出表格中的文本。在物体检测和定位方面，常用的技术有：边缘检测技术(canny边缘检测)和rcnn/faster-rcnn/yolo/ssd等技术；在OCR(光学字符识别)方面，主要技术有：基于监督学习的文字分类、cnn(卷积神经网络)和CRNN+CTC等。目前对表格的定位主要采用以下方法：

(1)基于规则模板的表格定位方法：

本方法的做法就是收集各种表格，从不同类别的表格中提取出不同的规则模板。在解析新表格的时候，先对新表格进行类别划分，然后利用该类别的规则模板进行表格解析。

(2)基于学习的定位方法：

本方法利用机器学习的方法进行表格定位。分为训练和预测两个过程。在训练阶段，首先要构建一个数据集，然后让机器学习模型在该训练集上学习一个固定模式，以便在预测阶段使用。在预测阶段，把要解析的新表格输入模型，模型自动完成表格的解析，最后输出识别结果。

目前方案的缺陷：

(1)基于规则模板的表格定位方法：

本方法的思想是枚举。如果一个新表格不在已有的类别中，就会定位失败。并且，随着表格类别的增多，系统效率也会逐渐降低。

(2)基于学习的定位方法：

本方法是基于机器学习的策略。机器学习的一个最大的缺点就是不能达到百分之百正确，在某些应用场景中，对识别结果要求非常高，如果有百分之零点一的差错就会造成很大损失，很显然基于本策略的系统不是理想的选择方案。而且，系统需要提前训练，进行特征提取，这些都会消耗一定资源。最后，如果样本集缺乏代表性和普遍性，这就会造成系统学习不到某些模式，最终导致模型对某些表格定位失败。

发明内容

本发明提供了一种基于OCR技术的图片表格识别方法，不需要预先制定表格模板，而且能够达到100％的正确率。

本发明基于OCR技术的图片表格识别方法，包括：

A.通过OCR(光学字符识别)技术对图片内容进行行切分，判断图片内容中是否含有表格，如果有则继续，否则结束；

B.对行切分后形成的行切分图进行OCR技术的膨胀操作和腐蚀操作，分别得到表格的行线和列线，并且计算行线和列线的交点坐标；

C.根据所述的交点坐标进行切图，得到单元格集；

D.迭代单元格集中的单元格，对每个图片形式的单元格进行行切分得到各单元格中图片形式的文本行；

E.通过OCR技术识别所有图片形式的文本行中的字符文本，并根据每个文本行的定位将其对应的字符文本组合成完整的结构化文本。