如何在图像中找到类似结构的表格

Question

我有发票文件,我想在每张发票中找到表格.这个表位置不会是常数.所以我来图像处理.首先,我尝试将发票转换为图像.然后我发现基于表格边框的轮廓最终占据了表格位置.我使用下面的代码来完成我的任务.

with Image(page) as page_image:
    page_image.alpha_channel = False #eliminates transperancy
    img_buffer=np.asarray(bytearray(page_image.make_blob()), dtype=np.uint8)
    img = cv2.imdecode(img_buffer, cv2.IMREAD_UNCHANGED)

    ret, thresh = cv2.threshold(img, 127, 255, 0)
    im2, contours, hierarchy = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
    margin=[]
    for contour in contours:
        # get rectangle bounding contour
        [x, y, w, h] = cv2.boundingRect(contour)
        # Don't plot small false positives that aren't text
        if (w >thresh1 and h> thresh2):
                margin.append([x, y, x + w, y + h])
    #data cleanup on margin to extract required position values.

在此代码中thresh1,thresh2我将根据文件进行更新.

因此,使用此代码,我可以成功读取图像中表格的位置,使用此位置我将在我的发票pdf文件上工作.例如

样本1:

样本2:

样本3:

输出:

样本1:

样本2:

样本3:

但是现在我有了一种新格式,它没有任何边框,但它是一张桌子.怎么解决这个？因为我的整个操作完全取决于表的边界.但是现在我没有桌边框.我怎样才能做到这一点？由于我是图像处理的初学者,我不知道从这个问题中解脱出来.我的问题是,有没有办法找到基于表结构的位置？

例如,我的问题输入如下所示:

我想找到如下的poistion:

我怎么解决这个问题？给我一个想法来解决这个问题真是太明显了.

提前致谢.

Answer 1

Vaibhav是对的.您可以尝试不同的形态变换,将像素提取或分组为不同的形状,线条等.例如,方法可以如下:

1. 从Dilation开始将文本转换为实心点.
2. 然后应用findContours函数作为查找文本边界框的下一步.
3. 在具有文本边界框之后,可以应用一些启发式算法以通过其坐标将文本框聚类成组.这样,您可以找到按行和列对齐的一组文本区域.
4. 然后,您可以通过x和y坐标和/或某些分析对组进行排序,以尝试查找分组的文本框是否可以形成表格.

我写了一个小样本来说明这个想法.我希望代码是自我解释的.我也在那里发表了一些评论.

import os
import cv2
import imutils

# This only works if there's only one table on a page
# Important parameters:
#  - morph_size
#  - min_text_height_limit
#  - max_text_height_limit
#  - cell_threshold
#  - min_columns


def pre_process_image(img, save_in_file, morph_size=(8, 8)):

    # get rid of the color
    pre = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    # Otsu threshold
    pre = cv2.threshold(pre, 250, 255, cv2.THRESH_BINARY | cv2.THRESH_OTSU)[1]
    # dilate the text to make it solid spot
    cpy = pre.copy()
    struct = cv2.getStructuringElement(cv2.MORPH_RECT, morph_size)
    cpy = cv2.dilate(~cpy, struct, anchor=(-1, -1), iterations=1)
    pre = ~cpy

    if save_in_file is not None:
        cv2.imwrite(save_in_file, pre)
    return pre


def find_text_boxes(pre, min_text_height_limit=6, max_text_height_limit=40):
    # Looking for the text spots contours
    # OpenCV 3
    # img, contours, hierarchy = cv2.findContours(pre, cv2.RETR_LIST, cv2.CHAIN_APPROX_SIMPLE)
    # OpenCV 4
    contours, hierarchy = cv2.findContours(pre, cv2.RETR_LIST, cv2.CHAIN_APPROX_SIMPLE)

    # Getting the texts bounding boxes based on the text size assumptions
    boxes = []
    for contour in contours:
        box = cv2.boundingRect(contour)
        h = box[3]

        if min_text_height_limit < h < max_text_height_limit:
            boxes.append(box)

    return boxes


def find_table_in_boxes(boxes, cell_threshold=10, min_columns=2):
    rows = {}
    cols = {}

    # Clustering the bounding boxes by their positions
    for box in boxes:
        (x, y, w, h) = box
        col_key = x // cell_threshold
        row_key = y // cell_threshold
        cols[row_key] = [box] if col_key not in cols else cols[col_key] + [box]
        rows[row_key] = [box] if row_key not in rows else rows[row_key] + [box]

    # Filtering out the clusters having less than 2 cols
    table_cells = list(filter(lambda r: len(r) >= min_columns, rows.values()))
    # Sorting the row cells by x coord
    table_cells = [list(sorted(tb)) for tb in table_cells]
    # Sorting rows by the y coord
    table_cells = list(sorted(table_cells, key=lambda r: r[0][1]))

    return table_cells


def build_lines(table_cells):
    if table_cells is None or len(table_cells) <= 0:
        return [], []

    max_last_col_width_row = max(table_cells, key=lambda b: b[-1][2])
    max_x = max_last_col_width_row[-1][0] + max_last_col_width_row[-1][2]

    max_last_row_height_box = max(table_cells[-1], key=lambda b: b[3])
    max_y = max_last_row_height_box[1] + max_last_row_height_box[3]

    hor_lines = []
    ver_lines = []

    for box in table_cells:
        x = box[0][0]
        y = box[0][1]
        hor_lines.append((x, y, max_x, y))

    for box in table_cells[0]:
        x = box[0]
        y = box[1]
        ver_lines.append((x, y, x, max_y))

    (x, y, w, h) = table_cells[0][-1]
    ver_lines.append((max_x, y, max_x, max_y))
    (x, y, w, h) = table_cells[0][0]
    hor_lines.append((x, max_y, max_x, max_y))

    return hor_lines, ver_lines


if __name__ == "__main__":
    in_file = os.path.join("data", "page.jpg")
    pre_file = os.path.join("data", "pre.png")
    out_file = os.path.join("data", "out.png")

    img = cv2.imread(os.path.join(in_file))

    pre_processed = pre_process_image(img, pre_file)
    text_boxes = find_text_boxes(pre_processed)
    cells = find_table_in_boxes(text_boxes)
    hor_lines, ver_lines = build_lines(cells)

    # Visualize the result
    vis = img.copy()

    # for box in text_boxes:
    #     (x, y, w, h) = box
    #     cv2.rectangle(vis, (x, y), (x + w - 2, y + h - 2), (0, 255, 0), 1)

    for line in hor_lines:
        [x1, y1, x2, y2] = line
        cv2.line(vis, (x1, y1), (x2, y2), (0, 0, 255), 1)

    for line in ver_lines:
        [x1, y1, x2, y2] = line
        cv2.line(vis, (x1, y1), (x2, y2), (0, 0, 255), 1)

    cv2.imwrite(out_file, vis)

我有以下输出:

当然,为了使算法更稳健并适用于各种不同的输入图像,必须相应地进行调整.

Answer 2

文档图像中的表格类型很多，变化和布局太多。不管你写了多少规则，总会出现一张你的规则会失败的表。这些类型的问题通常使用基于 ML（机器学习）的解决方案来解决。您可以在 github 上找到许多预先实现的代码，用于解决使用 ML 或 DL（深度学习）检测图像中的表的问题。

这是我的代码和深度学习模型，该模型可以检测各种类型的表格以及表格中的结构单元：https : //github.com/DevashishPrasad/CascadeTabNet

就准确性而言，该方法目前（2020 年 5 月 10 日）在各种公共数据集上达到了最先进的水平

更多详情：https : //arxiv.org/abs/2004.12629

Answer 3

您可以在findContours函数之前尝试应用一些形态变换（例如膨胀，侵蚀或高斯模糊）作为预处理步骤

例如

blur = cv2.GaussianBlur(g, (3, 3), 0)
ret, thresh1 = cv2.threshold(blur, 150, 255, cv2.THRESH_BINARY)
bitwise = cv2.bitwise_not(thresh1)
erosion = cv2.erode(bitwise, np.ones((1, 1) ,np.uint8), iterations=5)
dilation = cv2.dilate(erosion, np.ones((3, 3) ,np.uint8), iterations=5)

最后一个参数，迭代显示将发生的扩张/腐蚀程度（在您的情况下，在文本上）。较小的值将导致较小的独立轮廓，即使在字母范围内也是如此，较大的值将合并许多附近的元素。您需要找到理想的值，以便仅获取图像的该块。

请注意，我一直使用150作为阈值参数，因为我一直在尝试从背景不同的图像中提取文本，因此效果更好。由于它是黑白图像，因此您可以选择继续使用您所采用的值。