algorithm - 识别扫描/拍摄文档上的符号

Question

我正在尝试执行以下操作：

1. 给定：扫描/拍摄的文档 - 由许多不同程序填写的表格。我试图只识别一小部分数据。如此处所示：

所有符号都是数字，除了最顶部字段中的第一个是字母。

2. 问题是我尝试了 tessaract 和 google ml OCR，但结果很差，可能是因为它是单元格中的单个符号，而不是普通文本。我不知道。

3. 所以我决定尝试我自己的简单识别模块。

a）然后我将其转换为灰度和黑白

b）不幸的是，不能保证每次都在完全相同的地方。由于扫描/照片，它们的尺寸也不相同。

所以我动态地试图找到字段的位置。但是在我收到的测试照片上，没有保证线条是直的。此外，扫描/拍摄的分辨率并不总是相同的。

如果有人可以就以下问题给我建议，那就太好了：

1. 动态查找字段。（目前我的成功率约为 50%，具体取决于照片）

2. 如何处理非直线。

3. 如何检测单个单元格内容/符号。

4. 识别单个符号/数字/的好方法（比较来源等）

5. 也许是一个更好的黑白转换，而不是一个简单的阈值。

标签： algorithmocr

Answer 1

在识别之前尝试删除数字周围的矩形框。通过关闭/打开等形态学操作，可以关闭图片底部的边框，从而节省数字。

convert input.jpg  -threshold 90% -fuzz 25% -fill black -floodfill +0+0 white -fill white -floodfill +0+0 black out.png