如何将图像中的标题和标题与正文文本分开

Posted 2023-04-17

【中文标题】如何将图像中的标题和标题与正文文本分开

【英文标题】：How to separate title and headers from body text in image

【发布时间】：2018-12-21 12:57:05

【问题描述】：

我正在使用 tesseract（通过 python 包装器）从文档中提取文本。这些文档不包含任何图像或表格，仅包含文本。

是否有任何选项可以将标题/标题与文本区分开来？理想情况下，我希望能够拥有类似 xml 树而不是完整的字符串链（我不需要查看文档布局）。

我发现了一些 third party tools 似乎可以提供帮助，但我想知道我是否可以直接从 tesseract 中做到这一点。

【问题讨论】：

您的问题解决了吗？

不，抱歉。我必须找到一个替代解决方案。但我很想找到这个特定问题的解决方案。

我也有同样的情况。您能否说明一下您的替代解决方案。谢谢。

如果文档遵循语法信息，为什么不使用正则表达式解析文本以查找标题。例如：罗蒙字母后跟句子是标题。一种基于规则的提取。

【参考方案1】：

您可以使用Nanonets OCR api 创建您自己的模型，将标题和文本分开，也可以添加不同的标签。

【参考方案2】：

我很晚才回答，但这个答案可能会帮助其他正在寻找解决方案的人。

首先，tesseract 无法从文档中提取此类“特征”。但是你只需要对 ML 和视觉库有一点了解（比如 luminoth 或 detectronV2）

基本上，您必须提供一些带有标记的示例文档（如标题、标题 1、标题 2 等）并训练模型。训练后，您可以在不同的看不见的图像上使用该模型来获取此类详细信息。

【参考方案3】：

您可以使用基于 ml 的解决方案，但在这种用例中，我更喜欢使用基于 opencv 功能的轻量级解决方案。您可以使用常规文本检测并将其与形态转换配对以检测标题文本。