### 使用 Python 实现从图像中提取结构化表格数据 要从图像文件中提取结构化的表格数据，可以结合多个库来完成这一任务。以下是具体方法： #### 方法概述 1. **预处理阶段** 需要先对输入的图像进行必要的预处理操作，比如灰度化、二值化以及去噪等，以便提高后续 OCR 的准确性[^2]。 2. **表格检测** 利用 OpenCV 或其他计算机视觉技术定位图像中的表格区域。可以通过查找轮廓的方法找到可能代表表格边界的矩形框[^3]。 3. **单元格分割与文字识别** 在确定整个表格外围之后，进一步细分每个独立的小格子即单元格，并分别执行字符光学识别 (OCR)，从而获取其中的内容字符串[^4]。 4. **后处理整理成结构化形式** 把上述得到的数据按照一定逻辑重新排列组合起来形成最终所需的二维数组或者 CSV 文件等形式表示出来的结构化数据集[^5]。 下面给出一段基于 PyTesseract 和 OpenCV 的代码示例: ```python import cv2 from PIL import Image import pytesseract import numpy as np def preprocess_image(image_path): img = cv2.imread(image_path) gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) _, thresh = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU) return thresh def find_tables(thresh_img): horizontal_kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (40, 1)) vertical_kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (1, 40)) detected_horizontal = cv2.morphologyEx(thresh_img, cv2.MORPH_OPEN, horizontal_kernel) cnts_h = cv2.findContours(detected_horizontal, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)[-2] detected_vertical = cv2.morphologyEx(thresh_img, cv2.MORPH_OPEN, vertical_kernel) cnts_v = cv2.findContours(detected_vertical, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)[-2] all_contours = [] for c in cnts_h: x,y,w,h = cv2.boundingRect(c) if w>h*2 and h<100: # filter out non-table lines based on aspect ratio etc. all_contours.append((x,y,x+w,y+h)) for c in cnts_v: x,y,w,h = cv2.boundingRect(c) if h>w*2 and w<100: all_contours.append((x,y,x+w,y+h)) merged_rectangles = merge_overlapping_bboxes(all_contours) tables_regions = sorted(merged_rectangles,key=lambda r:(r[1],r[0])) return tables_regions def ocr_table_region(table_roi,img_orig,tessdata_dir_config=None): roi_pil = Image.fromarray(np.uint8(table_roi)).convert('RGB') config_str = '--psm 6' if tessdata_dir_config is not None: config_str += ' '+tessdata_dir_config extracted_text = pytesseract.image_to_string(roi_pil, lang='eng',config=config_str).strip() return extracted_text.split('\n') if __name__ == "__main__": input_file="table_example.png" tessdata_dir_config="--tessdata-dir '/usr/share/tesseract-ocr/4.00/tessdata'" preprocessed = preprocess_image(input_file) table_areas = find_tables(preprocessed) original_image = cv2.imread(input_file) results = {} idx=1 for area in table_areas: cropped_section = original_image[area[1]:area[3], area[0]:area[2]] cell_texts = ocr_table_region(cropped_section,original_image,tessdata_dir_config) results[f'Table_{idx}']={"Bounding_Box":list(area),"Content":cell_texts} idx+=1 print(results) ``` 此脚本实现了完整的流程——从读取图片到输出包含边界坐标及其对应内容字典的结果对象。注意这里的 `merge_overlapping_bboxes` 函数未定义；实际项目里可以根据需求自行编写该函数用来合并重叠矩形框以更精确地标记单个表格范围[^1]^。