Python을 사용하여 이미지에서 테이블 추출

약 1년 전에 저는 파일, 주로 테이블에 포함된 데이터에서 데이터를 추출하고 구조화하는 작업을 맡았습니다. 저는 컴퓨터 비전에 대한 사전 지식이 없었고 적합한 "플러그 앤 플레이" 솔루션을 찾는 데 어려움을 겪고 있었습니다. 당시 사용할 수 있는 옵션은 규모가 크고 번거로운 최신 신경망(NN) 기반 솔루션이거나 일관성이 충분하지 않은 OpenCV 기반 솔루션이었습니다.

기존 OpenCV 스크립트에서 영감을 받아 테이블을 추출하는 간단하고 일관된 방법을 개발하여 오픈 소스 Python 라이브러리로 만들었습니다. img2table

다시 작성해야 할 내용은 다음과 같습니다. 링크: https://github.com/ xavctn/img2table

내 도서관은 무엇을 하나요?

딥 러닝 솔루션과 비교할 때 이 경량 패키지는 교육이 필요하지 않으며 매개 변수화가 최소화됩니다. 다음 기능을 제공합니다.

• 테이블 셀 수준의 경계 상자를 포함하여 이미지 및 PDF 파일의 테이블을 식별합니다.
• OCR 서비스/도구를 지원하여 테이블 콘텐츠를 추출합니다(Tesseract, PaddleOCR, AWS Textract, Google Vision 및 Azure OCR이 현재 지원됨).
• 병합된 셀과 같은 복잡한 테이블 구조를 처리합니다.
• 이미지의 기울기와 회전을 수정하는 방법을 구현합니다.
• 추출된 테이블은 Pandas DataFrame 표현을 포함하여 간단한 개체로 반환됩니다.
• 추출된 테이블을 원래 구조를 유지하면서 Excel 파일로 내보내는 옵션입니다.

사용 방법은 무엇인가요?

pip를 사용하여 이 라이브러리를 설치할 수 있으며 설치가 완료된 후에 사용할 수 있습니다.

pip install img2table

문서의 테이블을 식별하려면 다음 함수를 호출하세요.

从img2table.document导入Image类# 图像实例化
img = Image(src="myimage.jpg")# 表格识别
img_tables = img.extract_tables()# 表格识别结果
img_tables[ExtractedTable(title=None, bbox=(10, 8, 745, 314),shape=(6, 3)), ExtractedTable(title=None, bbox=(936, 9, 1129, 111),shape=(2, 2))]

The 다시 작성해야 하는 내용은 다음과 같습니다. 위 예에 사용된 이미지

테이블의 내용을 추출하려면 OCR 도구를 사용해야 합니다. 이는 아래 단계에 따라 수행할 수 있습니다.

from img2table.document import PDFfrom img2table.ocr import TesseractOCR# Instantiation of the pdfpdf = PDF(src="mypdf.pdf")# Instantiation of the OCR, Tesseract, which requires prior installationocr = TesseractOCR(lang="eng")# Table identification and extractionpdf_tables = pdf.extract_tables(ocr=ocr)# We can also create an excel file with the tablespdf.to_xlsx('tables.xlsx',ocr=ocr)

샘플 테이블은 PDF 파일에서 추출한 샘플입니다.

마지막으로 간단한 경우 `를 설정하여 "borderless_tables"를 수행할 수 있습니다. borderless_tables` 매개변수 "양식 추출. 이를 통해 셀이 테두리로 완전히 둘러싸일 필요가 없는 테이블을 감지할 수 있습니다.

원래 의미를 변경할 필요가 없습니다. 다시 작성해야 하는 것은 "경계 없는" 테이블 추출 예입니다.

그게 다입니다! 실제로 저장소는 최대한 단순화하고 복잡성을 가져올 수 있는 다른 솔루션을 도입하지 않는 것이 목표이므로 저장소는 복잡하지 않습니다.

자세한 문서와 예제를 보려면 프로젝트의 GitHub 페이지를 방문하세요: https:// / github.com/xavctn/img2table

기본 구현

모든 이미지 처리는 OpenCV 및 opencv-python 라이브러리를 사용하여 수행됩니다. 그러나 이것은 여전히 ​​매우 기본적입니다.

알고리즘의 핵심은 Hough 변환입니다. 이는 이미지에서 직선을 식별할 수 있어 이미지에서 수평선과 수직선을 감지할 수 있습니다.

需要重写的内容是：cv2.HoughLinesP(img, rho, theta, threshold, None, minLinLength, maxLineGap)

이후 몇 가지 처리를 수행해야 합니다. 셀에서 이를 식별하고 셀에서 테이블을 추가로 식별하기 위해 라인에서

알고리즘 표현의 단순화된 구현

대부분의 계산은 우수한 성능과 속도를 위해 Polars를 사용하여 수행됩니다.

위 내용은 Python을 사용하여 이미지에서 테이블 추출의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!