机器视觉基础之PP-Structure入门

PaddleOCR下的PP-Structure一般用于文档图片的版面分析、表格识别等理解工作, 通俗些说就是自动帮助识别图片哪些部分是图片分组， 哪些是文字， 哪些是表格等, 且提取出里面的文字和图片内容。

表格内容识别在不少业务场景，例如表格形态的机打单据，证件都有较好的识别率和应用场景。这里我们着重关注于表格内容识别，图片关键信息提取后续补充。

1.依赖安装

pip install paddlepaddle -i https://mirror.baidu.com/pypi/simple
pip install "paddleocr>=2.6.0.3" -i https://mirror.baidu.com/pypi/simple
pip install paddleclas>=2.4.3 -i https://mirror.baidu.com/pypi/simple

2.官方例子

具体的图片素材可以在 https://gitee.com/paddlepaddle/PaddleOCR/tree/release/2.6/ppstructure 下载

import os
import cv2
from paddleocr import PPStructure, draw_structure_result, save_structure_res

table_engine = PPStructure(show_log=True)
save_folder = './output'
img_path = './doc/table/table.jpg'
img = cv2.imread(img_path)
# result = table_engine(img, True)
result = table_engine(img)
save_structure_res(result, save_folder, os.path.basename(img_path).split('.')[0])

for line in result:
    line.pop('img')
    print(line)

table.jpg原始内容:

当前目录输出./output/table/[6, 0, 365, 289]_0.xlsx和日志res_0.txt, 合适的表格图片识别率还是高的。

解析API就简单一个PPStructure, 我们从日志文件可以对应到返回的result字典数据结构。

result里面的结果默认只有html, 不大实用，一般是建议直接解析对应的type=table的excel文件, 虽然可以支持设置return_ocr_result_in_table=True返回解析内容到rec_res, 但rec_res结构化是数组， 难对应表格内容， 并且经过测试有bug.

result = table_engine(img, True)

即设置return_ocr_result_in_table=True, 就不能调用save_structure_res， 有个JSON DUMP的错误, 具体的issue已提交到 https://github.com/PaddlePaddle/PaddleOCR/issues/8611 效率很高一早就修复了。

3.总结

最后还有不少的可调参数, 可定制化需要多去摸索。