基于单元格的图片分割方法——表格内容识别_表格图片ocr识别之表格切分

（一）单元格图片分割

由于拍摄角度等 问 题，采集的图像 一 般 都 存 在一定的斜 视 畸 变，定值单也不例外。另 外，如 果打印纸张位置 不 正 也 会 产生变 形。因此，在识 别 图片之前需要将表格从单据中提取出来。这里采用边缘检测的方法来 获 取表格 轮廓 的位置，再通过透视转换对变形的单据图片进行矫正。

（１）边缘检测：图像的边缘检测，一般采用算法提取灰度跃变点，这些点连起来的线，就是图像中的灰度跃变线。再通过算法获取图像四周最外侧的跃变线，就是整个图像的最外侧边缘。根据定值单的内容绝大部分都 在 表格内 的特 性，判断 这些边缘轮廓是否是矩形轮廓，并 获取 最大矩 形轮 廓的４个顶点，用来给后续的透视变换做参数。

（２）透视 变 换：透视变换是三维空间上的非线性变换，直观表现 就 是在 视觉上产生 或是消除 了距离感。通过边缘检测获得的最大矩形轮廓的４个顶点进行错切变换，获取较为标准的表格。

（３）表格交点提取：通过边缘检测和透视变换获取到的表格图形并不是完全标准的图形，它还是会受到纸张弧度的影响，同时定值单文字密度较大，所以再切割图片时不能用模板的绝对坐标，需根据要识别的图片去重新获取模板相对应的点来切割。这里使用表格交点来匹配模板的点坐标。其主要原理就是先灰度化和二值化去除干扰，再用霍夫线变换探测出图像中的所有横线和纵线，以此提取所有表格的交点。

霍夫变换是检测图形中直线的一种有效方法，在图像分析、物体轮廓提取方面应用广泛，抗噪性好。

表格经过霍夫线变换，获取表格交点的提取效果如图所示。

• 字库是OCR识别的基础，但Tesseract自带的字库并不能满足定值单的识别要求，所以针对单据定制的字库是必须的，在这采用增量训练的方法完善字库。