Table 从图像或扫描文档中提取数据（非 pdf）
Table data extraction from image or scanned documents (Not pdf)
我想从图像或扫描文档中提取 table 数据，并将 header 字段映射到它们的特定值，主要是在保险中 document.I 已尝试通过以下方式提取它们行，然后使用它们在页面上的位置映射它们。我通过定义 table 开始和结束枢轴给了 table 边界，但它没有给我正确的结果，因为 header 有时有多行（我已经在 php).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。是否也有类似的图像实现类型？
Insurance_Image
这些文档的类型与上面 link 中的类似，但服务提供商不同，因此提取此类数据的通用方法将非常有用。
在上图中，我想要地图值，例如 Make = YAMAHA、MODEL= FZ-S、CC= 153 等
谢谢。
我肯定会尝试 Tesseract，一个非常好的 OCR 引擎。我一直在成功地使用它来阅读电子邮件中嵌入的各种文档（PDF、图像），我的一位同事将它用于与您的用例非常相似的事情——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即可。
我不认为机器学习对您特别有用，除非您打算构建自己的 OCR 引擎。我会从现有的库开始，它们提供了非常好的性能。
在没有太多 OCR 知识的情况下，最简单、最可靠的方法是：
- 取一个空模板作为参考，并标记您需要从中提取数据的框坐标。给它们贴上标签并保存以备将来使用。每个模板只执行一次。
- 现在，在读取同一模板时，调整其大小以匹配参考模板尺寸（如果尚未匹配）。
- 你已经知道每个盒子的坐标并且知道它应该包含什么数据（因为你标记了它们并在第一步中保存了它们）。
这意味着现在您只需分析每个盒子中包含的像素即可知道那里写的是什么。
这意味着给定一个带标签框的列表（您在第一步中提取的），您应该能够获取每个框中的数据。如果此数据是键入的而不是手写的，则提取的数据将更易于分析或使用简单的 OCR 库对其进行任何您想做的事情。
或者，如果数据的大小和字体始终与上面的示例模板相同，那么您可以只构建自己的小型字母数据库，该数据库包含该字体和大小的字母。或者完整的单词？取决于每个方框的可能答案。
无论如何，这不是迄今为止最好的方法，但它肯定会以最少的努力和 OCR 知识完成工作。
我想从图像或扫描文档中提取 table 数据，并将 header 字段映射到它们的特定值，主要是在保险中 document.I 已尝试通过以下方式提取它们行，然后使用它们在页面上的位置映射它们。我通过定义 table 开始和结束枢轴给了 table 边界，但它没有给我正确的结果，因为 header 有时有多行（我已经在 php).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。是否也有类似的图像实现类型？
Insurance_Image
这些文档的类型与上面 link 中的类似，但服务提供商不同，因此提取此类数据的通用方法将非常有用。
在上图中，我想要地图值，例如 Make = YAMAHA、MODEL= FZ-S、CC= 153 等
谢谢。
我肯定会尝试 Tesseract，一个非常好的 OCR 引擎。我一直在成功地使用它来阅读电子邮件中嵌入的各种文档（PDF、图像），我的一位同事将它用于与您的用例非常相似的事情——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即可。
我不认为机器学习对您特别有用，除非您打算构建自己的 OCR 引擎。我会从现有的库开始，它们提供了非常好的性能。
在没有太多 OCR 知识的情况下，最简单、最可靠的方法是：
- 取一个空模板作为参考，并标记您需要从中提取数据的框坐标。给它们贴上标签并保存以备将来使用。每个模板只执行一次。
- 现在，在读取同一模板时，调整其大小以匹配参考模板尺寸（如果尚未匹配）。
- 你已经知道每个盒子的坐标并且知道它应该包含什么数据（因为你标记了它们并在第一步中保存了它们）。
这意味着现在您只需分析每个盒子中包含的像素即可知道那里写的是什么。
这意味着给定一个带标签框的列表（您在第一步中提取的），您应该能够获取每个框中的数据。如果此数据是键入的而不是手写的，则提取的数据将更易于分析或使用简单的 OCR 库对其进行任何您想做的事情。
或者，如果数据的大小和字体始终与上面的示例模板相同，那么您可以只构建自己的小型字母数据库，该数据库包含该字体和大小的字母。或者完整的单词？取决于每个方框的可能答案。
无论如何，这不是迄今为止最好的方法，但它肯定会以最少的努力和 OCR 知识完成工作。