# table_rec_system

**Repository Path**: techflag/table_rec_system

## Basic Information

- **Project Name**: table_rec_system
- **Description**: No description available
- **Primary Language**: Unknown
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 1
- **Created**: 2025-02-16
- **Last Updated**: 2025-02-16

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# table_rec_system
中文手写表格识别系统

## 1.图像预处理
如果扫描后的图像发生倾斜，进行倾斜矫正，对矫正后的边缘进行填充使其变成矩形。


输入：扫描后的图像
输出：校正后的图像

## 2.识别表格
基于Opencv库，用视觉方法识别出表格线。然后依据表格线来切分单元格，并得到每个单元格的坐标信息。后续对切分好的单元格进行单独识别。


输入：矫正后的图像
输出：截取后的单元格、每个单元格的编号及其坐标（以pos.txt形式保存）

## 3.手写体识别
基于百度飞浆的最新中文识别模型ch_PP-OCRv3_rec_infer，结合10万张手写数据图片训练出了一般性的手写体识别模型。但此模型针对本项目的表格识别效果不佳。
因此我们手填了十份表格，然后使用切分好的单元格图片制作自己的数据集。并在上个手写体模型的基础上进行强化训练。实际测试结果识别准确率接近100%。





输入：截取的单元格图片
输出：每张图片的编号及其内容（以result.txt形式保存）

## 4.表格重建输出为excel表格
### 方案一：
(1)根据两个结果文件中的编号，把识别出的文本和坐标进行对应。
(2)对合并后的结果按照坐标从上到下、从左到右进行排序。
(3)计算出表格的行数。（设置一个纵坐标的容差范围，如果超过该范围就认为此单元格在下一行，并把每行第一个单元格的编号存到数组中）
(4)计算出每个单元格的宽度和高度。
(5)新建一个excel表格，把结果按行填入表格当中，同时修改excel表中单元格的大小。

### 方案二：（对于此表格实测效果不如方案一）
(1)前两步和方案一相同
(2)使用 Z-score 方法进行离群值检测并删除异常样本
(3)对坐标进行聚类，然后计算每个字符串的行号和列号。
(4)将数据写入表格


输入：pos.txt和result.txt文件
输出：识别后的excel表格



后续思路：
OpenCV误识别的情况能否调整阈值？

单元格裁剪后按照大小进行筛选，去除掉非正常大小的裁剪结果

如果单元格为空， 则输出NULL占一格，维持表格结构