从图像或扫描文档中提取表数据（非pdf）

Question

我想从图像或扫描文档中提取表格数据，并将标题字段大部分映射到保险单据中的特定值。我尝试逐行提取它们，然后使用它们在页面上的位置进行映射。我通过定义表的开始和结束枢轴给出了表边界，但它没有给我正确的结果，因为标题有时会有多行（我在php中实现了这一点）。我也想知道我是否可以使用机器学习来实现同样的目标。

对于pdf文档，我使用了 tabula-java ，这对我来说效果很好。是否有类似的图像实现类型？

Insurance_Image

文档的类型与上面的链接类似，但是不同的服务提供商，因此提取此类数据的通用方法非常有用。

在上图中，我想要地图值，如Make = YAMAHA，MODEL = FZ-S，CC = 153等

感谢。

Answer 1

我肯定会去Tesseract，一个非常好的OCR引擎。我一直在成功地阅读电子邮件中嵌入的各种文档（PDF，图像），我的一位同事用它来处理与你的用例非常相似的东西 - 从发票中读取特定字段。

解析文档后，只需使用正则表达式选择感兴趣的字段。

我不认为机器学习对你特别有用，除非你打算建立自己的OCR引擎。我从现有的库开始，它们提供了非常好的性能。

Answer 2

在没有太多OCR知识的情况下，最简单，最可靠的方法是： - 获取一个空模板以供参考，并标记从中提取数据所需的框坐标。标记它们并保存以备将来使用。每个模板只会执行一次 - 现在，当阅读相同的模板时，请调整其大小以匹配参考模板尺寸（如果它尚未匹配） - 你已经拥有了每个盒子的坐标并知道它应该包含哪些数据（因为你在第一步中标记了它们并保存了它们）。
这意味着现在您可以只分析每个框中包含的像素，以了解其中的内容 这意味着给定一个标记框列表（在第一步中提取），您应该能够在每个框中获取数据。如果这些数据是打字的而不是手写的，那么使用简单的OCR库可以更容易地分析提取的数据或用它做任何你想做的事情。
或者如果数据总是与上面的示例模板一样大小和字体，那么您可以构建自己的字体和大小字母的小型数据库。或者说全文？取决于每个盒子的可能答案。

无论如何，这不是迄今为止最好的方法，但它肯定会在OCR中以最小的努力和知识完成工作。