摘  要

 

与其它传统纸质文档相比，电子文档不仅所占用的存储空间较少，而且具有检索更加方便、传输更加迅速、数据更改简便、维护便捷等优点，将纸质文档通过电子采集设备转化为电子图片，在转化为电子文档进行存储过程中，文字识别便成为了日常生活中必不可少的技术之一。

为了完成电子文档的转换，并使转换后的电子文档便于检索和存储，有必要将纸质文档中的内容快捷准确得变为电子文档。使用OCR（即光学字符识别）。然而，在扫描后的电子文档中识别表格至今是一个开放的难题。本文对近年来图像处理、文本检测和文字识别方向的研究现状进行了总结，提出了一种利用Python-Opencv和pytesseract在图像中识别表格的算法，正确地分割表格并识别其中文字，最终将图像的表格识别结果输出存储为一份电子表格。该算法首先自动识别表格文本图像的位置，通过Python-Opencv处理图片后，使用pytesseract技术识别文本（特征值提取），将识别的数据导出至Excel文件中进行人工纠错。论文分析了成功案例和失败案例，并提出了改进的方法。

 

关键词：文本检测，文本识别，Python，Opencv，OCR，tesseract

目  录

 

第一章 绪论 1

1.1 引言 1

1.2 研究现状 1

1. 文本检测算法工具 2

2. 文本识别算法工具 2

3. 表格识别算法工具 3

1.3 研究目标 3

1.4 论文结构 3

第二章 技术理论综述 4

2.1 计算机视觉库OpenCV 4

1．OpenCV的定义 4

2. OpenCV的特点 4

3. OpenCV的设计目标 4

4. OpenCV的结构和和应用领域 4

2.2 光学字符识别OCR 4

1. OCR的定义 4

2. OCR的发展历史 4

3. OCR文字识别过程 5

4. Tesseract系统 6

第三章 表格文字图像识别算法 7

3.1 算法描述 7

3.2 算法实践讨论 13

第四章 实验测试结果 16

4.1实验环境准备 16

4.2测试结果 16

第五章 总结和展望 18

5.1 总结 18

5.2 问题和展望 18

参考文献 19

致  谢 20