使用 PyTesseract 和 OpenCV 从表格图像中提取文本 |
您所在的位置：网站首页 › 文本与表格 › 使用 PyTesseract 和 OpenCV 从表格图像中提取文本 |
使用 PyTesseract 和 OpenCV 从表格图像中提取文本
|
Text Extraction from a Table Image, using PyTesseract and OpenCV – Fazlur Rahman 从图像中提取文本可能会让人筋疲力尽，尤其是当您要提取大量内容时。一个众所周知的文本提取库是PyTesseract，一种光学字符识别 (OCR)。该库将为您提供给定图像的文本。 PyTesseract 真的很有帮助，第一次知道 PyTesseract，我直接用它来检测一些短文本，结果很满意。然后，我用它来检测表格中的文本，但算法执行失败。
图 1. 直接使用 PyTesseract 检测表格中的文本 图 1 描述了文本检测结果，绿色框包围了检测到的单词。您可能意识到算法无法检测到大部分文本，尤其是数字。就我而言，这些数字是数据的基本要素，为我提供了来自家乡当地政府的每日 COVID-19 病例的价值。那么，如何提取这些信息呢？ 入门在编写算法时，我总是试着像人类一样教算法。这样，我可以很容易地将这个想法转化为更详细的算法。 当您阅读表格时，您可能首先注意到的是单元格。可以使用可以是垂直或水平的边框（线）将一个单元格与另一个单元格分开。识别单元格后，您继续阅读其中的信息。将其转换为算法，您可以将过程分为三个过程，即细胞检测、感兴趣区域（ROI）选择和文本提取。 在进行每个任务之前，让我们加载图像，如下所示 import cv2 as cv import numpy as np filename = 'source.png' img = cv.imread(cv.samples.findFile(filename)) cImage = np.copy(img) #image to draw lines cv.imshow("image", img) #name the window as "image" cv.waitKey(0) cv.destroyWindow("image") #close the window 想跳过文章并查看完整代码吗？这是代码：Text-Extraction-Table-Image 细胞检测在表格中查找水平线和垂直线可能是最容易开始的。检测线的方法有很多，但对我来说一种有趣的方法是使用 Hough Line Transform，一个 OpenCV 库。有关模式的详细信息，请访问此链接。 在应用霍夫线变换之前，需要进行多项预处理。第一个是将图像转换为灰度图像，以防您有 RGB 图像。这个灰度图像对于下一步Canny Edge-Detection很重要。 gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY) cv.imshow("gray", gray) cv.waitKey(0) cv.destroyWindow("gray") canny = cv.Canny(gray, 50, 150) cv.imshow("canny", canny) cv.waitKey(0) cv.destroyWindow("canny")下图左图为灰度图，右图为 Canny 图像。
在 OpenCV 中，该算法有两种类型，即标准霍夫线变换和概率霍夫线变换。标准的会给你线方程，所以你不知道线的开始和结束。而概率线变换将为您提供线列表，其中线是开始和结束坐标的列表。就我的目的而言，概率的更可取。
图 3.a。标准霍夫线变换结果示例（来源：OpenCV）
图 3.b。标准霍夫线变换结果示例（来源：OpenCV）
对于 HoughLinesP 函数，有几个输入参数： image — 8 位、单通道二进制源图像。该功能可以修改图像。rho - 累加器的距离分辨率（以像素为单位）。theta - 以弧度为单位的累加器的角度分辨率。threshold - 累加器阈值参数。仅返回那些获得足够票数的行line - 线的输出向量。这里设置为None，值保存到linesPminLineLength — 最小行长度。比这短的线段被拒绝。maxLineGap - 同一条线上的点之间的最大允许间隙以链接它们。 # cv.HoughLinesP(image, rho, theta, threshold[, lines[, minLineLength[, maxLineGap]]]) → lines rho = 1 theta = np.pi/180 threshold = 50 minLinLength = 350 maxLineGap = 6 linesP = cv.HoughLinesP(canny, rho , theta, threshold, None, minLinLength, maxLineGap)为了区分水平线和垂直线，我定义了一个函数并根据函数返回值添加列表 def is_vertical(line): return line[0]==line[2] def is_horizontal(line): return line[1]==line[3] horizontal_lines = [] vertical_lines = [] if linesP is not None: for i in range(0, len(linesP)): l = linesP[i][0] if (is_vertical(l)): vertical_lines.append(l) elif (is_horizontal(l)): horizontal_lines.append(l) for i, line in enumerate(horizontal_lines): cv.line(cImage, (line[0], line[1]), (line[2], line[3]), (0, 255, 0), 3, cv.LINE_AA) for i, line in enumerate(vertical_lines): cv.line(cImage, (line[0], line[1]), (line[2], line[3]), (0, 0, 255), 3, cv.LINE_AA) cv.imshow("with_line", cImage) cv.waitKey(0) cv.destroyWindow("with_line") # close the window
图 4. 霍夫线变换结果 - 没有重叠滤波器 重叠过滤器检测到的线如上图所示。但是，霍夫线变换结果中存在一些重叠线。较粗的线条在同一位置由多条线组成，长度不同。为了消除这条重叠线，我定义了一个重叠过滤器。 最初，根据排序索引对线进行排序，y₁ 用于水平线，x₁ 用于垂直线。如果下一行相隔小于一定距离，那么我们认为它与前一行是同一行。这可能有点像“肮脏的工作”，但它确实有效。 def overlapping_filter(lines, sorting_index): filtered_lines = [] lines = sorted(lines, key=lambda lines: lines[sorting_index]) separation = 5 for i in range(len(lines)): l_curr = lines[i] if(i>0): l_prev = lines[i-1] if ( (l_curr[sorting_index] - l_prev[sorting_index]) > separation): filtered_lines.append(l_curr) else: filtered_lines.append(l_curr) return filtered_lines实现重叠过滤器并在图像上添加文本，现在代码应如下所示： horizontal_lines = [] vertical_lines = [] if linesP is not None: for i in range(0, len(linesP)): l = linesP[i][0] if (is_vertical(l)): vertical_lines.append(l) elif (is_horizontal(l)): horizontal_lines.append(l) horizontal_lines = overlapping_filter(horizontal_lines, 1) vertical_lines = overlapping_filter(vertical_lines, 0)for i, line in enumerate(horizontal_lines): cv.line(cImage, (line[0], line[1]), (line[2], line[3]), (0,255,0), 3, cv.LINE_AA) cv.putText(cImage, str(i) + "h", (line[0] + 5, line[1]), cv.FONT_HERSHEY_SIMPLEX, 0.5, (0, 0, 0), 1, cv.LINE_AA) for i, line in enumerate(vertical_lines): cv.line(cImage, (line[0], line[1]), (line[2], line[3]), (0,0,255), 3, cv.LINE_AA) cv.putText(cImage, str(i) + "v", (line[0], line[1] + 5), cv.FONT_HERSHEY_SIMPLEX, 0.5, (0, 0, 0), 1, cv.LINE_AA) cv.imshow("with_line", cImage) cv.waitKey(0) cv.destroyWindow("with_line") #close the window
图 5. 霍夫线变换结果 - 使用重叠滤波器 使用此精炼代码，您将不会有重叠的行。此外，您将在图像中写入水平和垂直线的索引。该索引将用于下一个任务，ROI 选择 投资回报率选择首先，我们需要定义列数和行数。就我而言，我只对第二十四行和所有列中的数据感兴趣。对于列，我定义了一个名为关键字的列表，以将其用于字典关键字。 ## set keywords keywords = ['no', 'kabupaten', 'kb_otg', 'kl_otg', 'sm_otg', 'ks_otg', 'not_cvd_otg', 'kb_odp', 'kl_odp', 'sm_odp', 'ks_odp', 'not_cvd_odp', 'death_odp', 'kb_pdp', 'kl_pdp', 'sm_pdp', 'ks_pdp', 'not_cvd_pdp', 'death_pdp', 'positif', 'sembuh', 'meninggal'] dict_kabupaten = {} for keyword in keywords: dict_kabupaten[keyword] = [] ## set counter for image indexing counter = 0 ## set line index first_line_index = 1 last_line_index = 14然后，为了选择 ROI，我定义了一个函数，它以图像为输入，水平线和垂直线作为输入，线索引作为边界。该函数返回裁剪后的图像，以及它在图像全局坐标中的位置和大小 def get_cropped_image(image, x, y, w, h): cropped_image = image[ y:y+h , x:x+w ] return cropped_imagedef get_ROI(image, horizontal, vertical, left_line_index, right_line_index, top_line_index, bottom_line_index, offset=4): x1 = vertical[left_line_index][2] + offset y1 = horizontal[top_line_index][3] + offset x2 = vertical[right_line_index][2] - offset y2 = horizontal[bottom_line_index][3] - offset w = x2 - x1 h = y2 - y1 cropped_image = get_cropped_image(image, x1, y1, w, h) return cropped_image, (x1, y1, w, h)裁剪后的图像将用于下一个任务，文本提取。第二个返回的参数将用于绘制 ROI 的边界框 文本提取现在，我们定义了一个 ROI 函数。我们可以继续提取结果。我们可以通过遍历单元格来读取列中的所有数据。列数由关键字的长度给出，而行数是定义的。 首先，让我们定义一个函数来绘制文本和周围的框，以及另一个函数来提取文本。 import pytesseract pytesseract.pytesseract.tesseract_cmd = r'C:\Program Files (x86)\Tesseract-OCR\tesseract.exe'def draw_text(src, x, y, w, h, text): cFrame = np.copy(src) cv.rectangle(cFrame, (x, y), (x+w, y+h), (255, 0, 0), 2) cv.putText(cFrame, "text: " + text, (50, 50), cv.FONT_HERSHEY_SIMPLEX, 2, (0, 0, 0), 5, cv.LINE_AA) return cFramedef detect(cropped_frame, is_number = False): if (is_number): text = pytesseract.image_to_string(cropped_frame, config ='-c tessedit_char_whitelist=0123456789 --psm 10 --oem 2') else: text = pytesseract.image_to_string(cropped_frame, config='--psm 10') return text将图像转换为黑白以获得更好的效果，让我们开始迭代吧！ counter = 0print("Start detecting text...") (thresh, bw) = cv.threshold(gray, 100, 255, cv.THRESH_BINARY)for i in range(first_line_index, last_line_index): for j, keyword in enumerate(keywords): counter += 1 left_line_index = j right_line_index = j+1 top_line_index = i bottom_line_index = i+1 cropped_image, (x,y,w,h) = get_ROI(bw, horizontal, vertical, left_line_index, right_line_index, top_line_index, bottom_line_index) if (keywords[j]=='kabupaten'): text = detect(cropped_image) dict_kabupaten[keyword].append(text) else: text = detect(cropped_image, is_number=True) dict_kabupaten[keyword].append(text) image_with_text = draw_text(img, x, y, w, h, text) 疑难解答这是文本提取的结果！我只选择了最后三列，因为它对某些文本给出了奇怪的结果，其余的都很好，所以我不显示它。
图 6. 检测到的文本 - 版本 1 您可能会意识到某些数字被检测为随机文本，39 个数据中有 5 个。这是由于最后三列与其余列不同。背景为黑色，文本为白色。不知何故，它会影响文本提取的性能。
图 7. 二值图像 为了解决这个问题，让我们反转最后三列。 def invert_area(image, x, y, w, h, display=False): ones = np.copy(image) ones = 1 image[ y:y+h , x:x+w ] = ones*255 - image[ y:y+h , x:x+w ] if (display): cv.imshow("inverted", image) cv.waitKey(0) cv.destroyAllWindows() return imageleft_line_index = 17 right_line_index = 20 top_line_index = 0 bottom_line_index = -1 cropped_image, (x, y, w, h) = get_ROI(img, horizontal, vertical, left_line_index, right_line_index, top_line_index, bottom_line_index)gray = get_grayscale(img) bw = get_binary(gray) bw = invert_area(bw, x, y, w, h, display=True)结果如下所示。
图 8. 处理后的二值图像 瞧！结果反转图像后，重做这一步，这是最终的结果！
在您的算法成功检测到文本后，现在您可以将其保存到 Python 对象中，例如 Dictionary 或 List。一些区域名称（在“Kabupaten/Kota”中没有被精确检测到，因为它没有包含在 Tesseract 训练数据中。但是，这应该不是问题，因为可以精确检测到区域的索引。另外，这个文本提取可能无法检测到其他字体的文本，这取决于使用的字体。如果出现误解，例如“5”被检测为“8”，您可以进行腐蚀和扩张等图像处理。
|
https://fazlurnu.com/2020/06/23/text-extraction-from-a-table-image-using-pytesseract-and-opencv/
【本文地址】
今日新闻 |
推荐新闻 |