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=0.81img[img<=bi_th]=0img[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.shapescale=80col_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_tempimg_dot[img_dot>0]=1img_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）def isolate(img): idx=np.argwhere(img<1) rows,cols=img.shape for i in range(idx.shape[0]): c_row=idx[i,0] c_col=idx[i,1] if c_col+1<cols and c_row+1<rows: img[c_row,c_col+1]=1 img[c_row+1,c_col]=1 img[c_row+1,c_col+1]=1 if c_col+2<cols and c_row+2<rows: img[c_row+1,c_col+2]=1 img[c_row+2,c_col]=1 img[c_row,c_col+2]=1 img[c_row+2,c_col+1]=1 img[c_row+2,c_col+2]=1 return imgimg_dot=isolate(img_dot)
1.1.5 遍历各dot，裁剪图片
按行遍历各个顶点，判断这些顶点是否是目标单元格的顶点，即可将图片裁出。
1.2 聚焦
图片中的表格的各个单元格都已经截取出来，但是单元格有高有矮，不利于后续分析，所以想到只要聚焦文字区域就行，即单元格里的文字区域截取出，其余空白就不要了。聚焦方法就是按行、列分别求和，因为图片白色区域值为1，黑色区域值为0，所以按行求和后，全白部分的sum=width，文字区域及sum<width的部分。比如下边这张图，通过行列求和，即可定位出文字区域，截图即可。
代码如下：
def focusImg(imgPath): img=io.imread(imgPath) img=color.rgb2gray(img) img=img_as_float(img) img=clearEdge(img,3) # 求各列的和 col_sum=img.sum(axis=0) # 求各行的和 row_sum=img.sum(axis=1) idx_col_sum=np.argwhere(col_sum<col_sum.max()) if len(idx_col_sum)==0: os.remove(imgPath) return col_start,col_end=idx_col_sum[0,0]-1,idx_col_sum[-1,0]+2 idx_row_sum=np.argwhere(row_sum<row_sum.max()) if len(idx_row_sum)==0: os.remove(imgPath) return row_start,row_end=idx_row_sum[0,0]-1,idx_row_sum[-1,0]+2
经过聚焦操作，图片中的各个元素大可分成以下这些类别：
大概分析了一下图片，碰巧发现，焦后的标题类图片高度都大于13（大图片），而数值类图片高度都小于等于13（小图片）。大图片的种类数量不算多，大概一百多种。小图片基本上是金融、日期，还有一些特定字符比如 “/”、“N”、"*"什么的，所以对小图再做字符分割，也就十多种。
这时关于单元格里内容的识别，就有了以下操作：
对于大图片，将一百多张图片作为模板，将输入的图片逾模板里的图片做相似性对比（phash+汉明距离）；
对于小图片，做字符分割，使用pytorch+CNN做识别；
1.3 大图片识别（标题部分）
大图片内容的识别，基本上就是靠的模板匹配，具体算法原理看参考资料：
耗费了些时间整理好了模板文件夹，将图片里的文字作为文件名，在做模板初始化的时候就很方便的生成模板phash字典了：dic{key,value} => dic{fname,phash}
代码如下：
hash_size=20phashHamming_th=100def hamming(h1, h2): '''计算两图的汉明距离''' return sum(sum(h1.hash^h2.hash))def getText(img,bigPicTempleDic): hashHere=imagehash.phash(img,hash_size=hash_size) seq=[] for key in bigPicTempleDic.keys(): seq.append((hamming(hashHere,bigPicTempleDic[key]),key)) res_minDis,res_key=sorted(seq,key=lambda x:x[0])[0] #print('HMdis:{0}'.format(res_minDis)) if res_minDis<phashHamming_th: return res_key else: return '未识别出来' #模板文件夹的路径templePath=r'...\bigPicTemple'bigPicTempleDic={'keyname':'phash'}# 初始化模板字典# dict{文件名，phash}for fpath,fdir,fs in os.walk(templePath): for f in fs: fname,fext=os.path.splitext(f) bigPicTempleDic[fname]=imagehash.phash( Image.open(os.path.join(fpath,f)), hash_size=hash_size) del bigPicTempleDic['keyname']
1.4 小图片识别（字符分割+CNN）
对于小图片，则继续分割字符，再将单个字符输入CNN，识别结果。
1.4.1 字符分割
比如‘1,234’，分割为五个字符：‘1’，‘，’，‘2’，‘3’，‘4’。基本原理跟上文的聚焦差不多，就是找到字符之间的空隙。
def splitChar(img): imgF=img_as_float(img) # 求各列的和 col_sum=imgF.sum(axis=0) idx=np.argwhere(col_sum==col_sum.max()) images=[] for i in range(1,len(idx)): if idx[i,0]-idx[i-1,0]>1: imgHere=img.crop((idx[i-1,0],0,idx[i,0]+1,img.height)) images.append(imgHere) return images
1.4.2 pytorch+CNN字符识别
用这个主要是之前看到些minst的文章，也想试试手pytorch这些ML框架。其实一开始使用的softmax多分类，测试发现效果并不好，比如数字2、3、7经常会搞混。后来考虑到softmax输入的图片是转为一维数组输入，也丢失图像的像素之间的结构关系，所以就换成CNN了。
参考资料：
pytorch下载的时候，可能是上网不科学的缘故，安装地址刷不出，可以去这里试试：PyTorch 中文社区 - ApacheCNW
代码如下：
import torchimport torch.nn as nnimport torch.nn.functional as Fimport torch.optim as optimfrom torchvision import datasets, transformsfrom torch.autograd import VariabledicRes={ 0:'0', 1:'1', 2:'2', 3:'3', 4:'4', 5:'5', 6:'6', 7:'7', 8:'8', 9:'9', 10:'N', 11:',', 12:'.', 13:'—', 14:'/', 15:'*', 16:'无' }def cnnPred(data): '''data是一个[1,1,28,28]的图''' data.resize((1,1,28,28)) data=torch.FloatTensor(data) data=Variable(data, volatile=True) output = model(data) # get the index of the max pred = output.data.max(1, keepdim=True)[1] return dicRes[int(pred)]class CNN(nn.Module): def __init__(self): super(CNN, self).__init__() #1*28*28 self.conv1=nn.Sequential( #16*28*28 #padding=(ks-1)/2时，图像大小不变 nn.Conv2d(in_channels=1,out_channels=16,kernel_size=5,stride=1,padding=2), nn.ReLU(), #16*14*14 nn.MaxPool2d(kernel_size=2) ) self.conv2=nn.Sequential( #32*14*14 nn.Conv2d(16,32,5,1,2), nn.ReLU(), #32*7*7 nn.MaxPool2d(2) ) self.out=nn.Linear(32*7*7,17) def forward(self, x): x = self.conv1(x) x = self.conv2(x) x = x.view(x.size(0),-1) output = self.out(x) return outputmodel = CNN()# 加载已训练好的参数model.load_state_dict(torch.load('my_CNN_params.pkl'))
1.5 结果输出
单个图片输入，识别的结果输出到txt文本。将全部txt按照目标表格的样式，输出到excel，这些基本都是文件、文本、字符串的操作，就不细说了，参考资料：
2. 其他问题
2.1 有的表格的一条边颜色较浅
由于之前采用的是全局二值化，所以遇到这种表格一条边偏白的状况，二值化后就没了，导致表格的一些顶点没定位出来，最终结果就是输出到excel的时候，才发现一些数据错列了。
解决思路无非就是考虑自适应的二值化，或者是粗暴一点的分类二值化。由于赶时间，我用了比较粗暴的方法：
即原全局二值化的图片img_forSplit，继续作为分割单元格的底图；
查看表格的浅色边的灰度值，直接以该值再做一个全局二值化图img，作为定位顶点的图。
代码如下：
# 读取图片，并转灰度图img=io.imread(imgFilePath,True)#二值化img_forSplit=copy.deepcopy(img)#img 提取边框用bi_th=img.max()*0.875img[img<bi_th]=0img[img>=bi_th]=1# img_forSplit 分割用bi_th=0.733img_forSplit[img_forSplit<bi_th]=0img_forSplit[img_forSplit>=bi_th]=1
2.2 字符分割有出错
测试发现对于两个0相连，或者是8相连这种容易分割失败。比如‘000’，理想状况是分割出3个‘0’，但往往还是割出‘000’。放大图像就发现了，0这种算是数字里比较宽的字符了，几个0放一起，中间的像素会有些模糊的黏连，这块我还没想好解决方法。