作者parcequetoi (Sky)
看板DataScience
標題[問題] OCR實務經驗請益
時間Thu Apr 5 22:18:23 2018
作業系統: Linux
問題類別: OCR
使用工具: Python 3, Google Vision API
問題內容:
最近正在玩Google Vision API，
目標是透過OCR辨認出一份報告/成績單的內容（格式不限），
並轉存成後續可再利用分析的檔案（e.g. json, csv, txt...
這部分還沒想好）。
想像有以下三種成績單：
--------
XXX高中
姓名：王小明 性別：男
考試日期：2018/01/10
語文能力
科目 分數 班平均
國文 70 75
英文 86 87
自然科學
科目 分數 班平均
物理 40 30
化學 93 60
--------
實事求是 精益求精
姓名：李大同 性別：男
考試日期：2018-01-09
科目 分數 班平均
國文
CHINESE 90 80
數學
MATHEMATICS 89 90
--------
姓名：黃小美
性別：女
學號：970284
試驗日期：2018-01-08
考試科目 全班平均 實得分數
CHINESE 國文 60 84
MATHEMATICS 數學 90 92
--------
這三種照片如果整理成CSV，大概都會希望長得像：
科目,分數,班平均
國文,70,75
英文,86,87
物理,40,30
化學,93,60
即英文科目名稱忽略不計，留下分數及班平均。
至於照片最上面的個人資料都忽略。（如果能留下考試日期當然也不錯）
目前我已經做到透過Google Vision API的text detection讀出照片上的文字資訊，
（document text detection我也試過但效果不好）
（
https://cloud.google.com/vision/docs/ocr）
並且把每個文字框內容依像素座標由上到下、由左到右排列。
但緊接著碰到兩個問題：
1. 成績單上同列資料y座標軸可能不同
可能因為成績單紙張不平整或照相時有歪斜，
所以由上到下、由左到右排列完後，
可能會有「75,國文,70」這樣的順序，而非期待的「國文,70,75」。
這部分我想到或許可手動用rule-based的方法，
如任兩個文字框y座標不超過n單位就視為同一列之類的，
但也想請問有沒有更好的做法？
2. 分辨各欄位內容
各家的個人資料排列方式與位置均不同（置中置左置右），
有些的科目名稱只有中文，有些是中英文對照，
中英文對照的又可以有在同一行寫或分兩行寫等變化，
有些把班平均擺前面欄位，有些擺後面......
我曾經想過初步的想法是把每個文字框的x座標做x-means clustering，
再從x座標小的群開始，把每個cluster的內容依y座標排列下來，
原本預期可以避開上述問題1，
但是這方法卻不能排除無用的文字框
（e.g. 「姓名」、「語文能力」、多餘的英文科目列），
導致每個cluster的元素數量不會一樣多，卻又不是每個元素都需要；
另外也不能分辨每一個cluster內表示的究竟是班平均還是個人分數。
想請問板上高手，有沒有人有相關的資源或實務經驗可以分享？謝謝！
--
※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 114.42.158.246
※ 文章網址: https://webptt.com/m.aspx?n=bbs/DataScience/M.1522937906.A.2C5.html
※ 編輯: parcequetoi (114.42.158.246), 04/05/2018 22:35:23
1F：推 ThxThx: 我最近做的問題和第一點相關 04/06 00:26
2F：→ ThxThx: 我的方式是利用傳統CV的方法找出表格框線來切割元素。我是 04/06 00:26
3F：→ ThxThx: 用OpenCV的canny edge detection 04/06 00:26
4F：→ lucien0410: multi task learning 04/06 01:17
5F：推 lucien0410: ocr 辨識加上中英翻譯! 04/06 01:22
6F：→ parcequetoi: @ThxThx 我大略Google了一下，看起來它需要圖上原本 04/06 11:15
7F：→ parcequetoi: 就有線條或光影顏色的邊界，請問是這樣嗎？我擔心它 04/06 11:15
8F：→ parcequetoi: 能辨認出的邊界就是文字本身。 04/06 11:15
9F：→ parcequetoi: @lucien0410 抱歉我不太能理解，中英翻譯後好處是什 04/06 11:18
10F：→ parcequetoi: 麼？去除重複文字框？但CHINESE的中文翻譯也不見得是 04/06 11:18
11F：→ parcequetoi: 國文啊？ 04/06 11:18
12F：推 lucien0410: 不要理我好了 我講的跟你的問題只有一咪咪咪咪關連 04/06 11:52
13F：→ lucien0410: 我看了看其實你這個問題應該完全可以用規則來解 04/06 13:49
14F：→ lucien0410: 應該寫一個複雜一點的regular expression來抓取 04/06 13:50
15F：→ lucien0410: 你想要的欄位的資料 你熟regular experssion嗎 04/06 13:52
16F：→ lucien0410: perl 跟python 都有滿好用的內建的regular expression 04/06 13:53
17F：→ lucien0410: 不知道有沒有誤解你的問題？ 04/06 13:56
18F：推 lucien0410: 如果你可以給一個google ocr實際給你的輸出的例子 04/06 13:58
19F：→ lucien0410: 再給一個你想要這個輸出變成什麼形狀的例子 04/06 13:59
20F：推 ThxThx: 給原Po：對他要本來就有框線。沒有框線的話就比較難，不 04/06 14:37
21F：→ ThxThx: 過如果是我還是會用CV方法來做(如果更簡單的方法不行的話 04/06 14:37
23F：→ parcequetoi: @ThxThx 好的，謝謝你 04/07 10:25
24F：→ parcequetoi: @lucien0410 regular expression有概念但不敢說熟 04/07 10:26
※ 編輯: parcequetoi (114.42.158.246), 04/07/2018 13:11:56
25F：推 gatheringbc: 推雄中校訓XD 04/08 02:46
26F：→ parcequetoi: 哎唷 不錯 有人認出是雄中校訓 XD （握手） 04/08 17:53