Comment extraire des données de l'image contenant des données tabulaires?
J'utilise Pytesseract, oreiller, CV2 à OCR une image et obtenez le texte présent dans l'image. Puisque mon entrée est un document numérisé PDF Document, je l'ai d'abord converti en un format d'image (JPEG), puis essayé d'extraire le texte. Je ne suis que mi-chemin là-bas. L'entrée est une table et le Les titres ne sont pas affichés, car les titres ont un fond noir. J'ai aussi essayé getstructuringelement mais incapable de comprendre un moyen. Voici ce que j'ai fait jusqu'à présent-
import cv2
import os
import numpy as np
import pytesseract
#import pillow
#Since scanned PDF can't be handled by pdf2image, convert the scanned PDF into a JPEG format using the below code-
filename = path
from pdf2image import convert_from_path
pages = convert_from_path(filename, 500) for page in pages:
page.save("dest", 'JPEG')
imgname = "path"
oriimg = cv2.imread(imgname,cv2.IMREAD_COLOR)
cv2.imshow("original image", oriimg)
cv2.waitKey(0)
#img = cv2.resize(oriimg,None,fx=0.5,fy=0.5,interpolation=cv2.INTER_CUBIC)
img = cv2.resize(oriimg,(700,1500),interpolation=cv2.INTER_AREA)
#here length height
cv2.imshow("lol", img)
cv2.waitKey(0)
cv2.imwrite("changed_dimensionsimgpath", img)
import PIL.Image
image = cv2.imread(imgname,cv2.IMREAD_COLOR)
grayedimg = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) grayedimg =
cv2.threshold(grayedimg, 0, 255, cv2.THRESH_BINARY | cv2.THRESH_OTSU)[1]
cv2.imwrite("H://newim.jpg", grayedimg)
pytesseract.pytesseract.tesseract_cmd = r"C:\Program Files (x86)\Tesseract-
OCR\tesseract.exe"
text = pytesseract.image_to_string(PIL.Image.open("path"))
print(text)
Mon tableau d'entrée ressemble à ci-dessous. Les régions qui ont des antécédents noirs ne sont pas identifiées par OCR et ne sont pas extraites comme du texte. Toute aide serait grandement appréciée . 
Sortie de ce code pour l'échantillon d'image-
Sun by Select .
F'I‘L‘Mlm":[ [Juir SHIIEF'. ”fillfit Fadll'fi
Brand Type Fragranm Unit: Ithange Dollm 'LChanga Men
Eleanit' Sprayl Grange J.?IEBflI-Efl' 11% '5H'1Elfi9flflfl 35% I E
Eleanlt! kfimnsul' Grange IEEEESWI 39% I521LESM1MH 1113553 ‘ E
Dehuxe F‘mmr [emu 525.940 461% '51:EE?,GED,00 433.6% 5
Datum: Anus»! firing?) 4,3341%} 29% 513573300119 215% E
Dem Spray ‘Drangr: £432,100 09% 515.223.:53000 154%
Min Blaster Aemgul: Dramge ”2114033111 59% :SHSiMMfl H94:
DiFlEIESIEf Sprawl Drama “NEW. 50% ‘5E1D1_E-BDM 141% I
Incredlme Spray Lem 1.513.410" 483% a HELENE] $11143 I E
t“ In
1'"
L'utilisation de CV2 est bonne après cv2.imwrite (temp_filename, gris_img)
import PIL.Image
Use config='-psm 6'
page_str = image_to_string(Image.open(temp_filename), lang="eng", config='-psm 6')
Cela reviendra de bonnes données des images de la table