首页 / 新闻资讯 / Python实现图片中表格识别全攻略

Python实现图片中表格识别全攻略

发布时间：2026-08-08 作者：龚辉 阅读量：8

一、引言

在日常办公或数据处理中，我们经常会遇到需要从扫描件、截图等图片中提取表格数据的需求。手动输入不仅效率低下，还容易出错。Python 作为一种强大的编程语言，借助 OpenCV 和 Tesseract OCR 等库，可以自动化完成这一任务。本文将带你一步步实现图片中表格的识别与提取。

二、环境准备

首先，你需要安装以下Python库：

pip install opencv-python numpy pytesseract

此外，还需要安装 Tesseract OCR 引擎并配置环境变量。可以从 GitHub 下载安装包。安装后，确保 pytesseract 能找到 tesseract 可执行文件，或者通过设置路径指定：

pytesseract.pytesseract.tesseract_cmd = r'C:\Program Files\Tesseract-OCR\tesseract.exe'

三、图像预处理

图片中可能含有噪声、光照不均等问题，直接影响表格检测和OCR识别。预处理步骤通常包括：

  • 灰度化：将彩色图像转为灰度，减少计算量。
  • 二值化：使用阈值（如OTSU）将图像转为黑白，便于轮廓提取。
  • 降噪：使用中值滤波或高斯滤波去除噪点。

示例代码：

import cv2
import numpy as np

img = cv2.imread('table.jpg')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
blur = cv2.GaussianBlur(gray, (5,5), 0)
thresh = cv2.adaptiveThreshold(blur, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY_INV, 11, 2)

四、表格检测与定位

通过边缘检测（如Canny）和轮廓查找，我们可以找到表格的轮廓。对于规则表格，可以使用霍夫变换检测直线，然后找到交点。这里采用更直接的形态学操作：

  • 使用水平和垂直方向的核（如 (1,40) 和 (40,1)）进行膨胀操作，连接水平线和垂直线。
  • 通过按位与操作得到表格网格。
  • 查找轮廓，过滤掉小轮廓，得到每个单元格的坐标。
# 创建水平和垂直线内核
horizontal_kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (40,1))
vertical_kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (1,40))

horizontal_lines = cv2.morphologyEx(thresh, cv2.MORPH_OPEN, horizontal_kernel)
vertical_lines = cv2.morphologyEx(thresh, cv2.MORPH_OPEN, vertical_kernel)

# 合并
lines = cv2.add(horizontal_lines, vertical_lines)

# 查找轮廓
contours, _ = cv2.findContours(lines, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
cells = []
for c in contours:
    x, y, w, h = cv2.boundingRect(c)
    if w > 20 and h > 20:  # 过滤噪声
        cells.append((x, y, w, h))

五、单元格排序与OCR识别

得到的单元格坐标是无序的，需要按行和列排序。通常先按y坐标排序，再按x坐标分组。然后对每个单元格区域进行OCR识别：

cells = sorted(cells, key=lambda b: (b[1], b[0]))  # 先按y，再按x

# 假设表格有固定行数，这里简单处理
rows = []
current_row = []
current_y = cells[0][1]
for cell in cells:
    x, y, w, h = cell
    if abs(y - current_y) > 10:  # 新行
        rows.append(current_row)
        current_row = [cell]
        current_y = y
    else:
        current_row.append(cell)
rows.append(current_row)

# 对每个单元格识别
data = []
for row in rows:
    row_data = []
    for (x, y, w, h) in row:
        roi = img[y:y+h, x:x+w]
        # 可进一步预处理，如放大、二值化
        text = pytesseract.image_to_string(roi, config='--psm 7')  # 单行模式
        row_data.append(text.strip())
    data.append(row_data)

六、优化与注意事项

实际应用中图片差异很大，可能需要调整参数：

  • 倾斜校正：如果表格有旋转，先计算倾斜角度并纠正。
  • 复杂表格：合并单元格、无边框表格需要更复杂的算法，如基于深度学习的表格检测模型（如TableNet）。
  • OCR优化：使用白名单（只识别数字、字母等），提高准确率。

七、完整示例与效果

以下是一个完整脚本，将识别结果保存为CSV：

import cv2
import numpy as np
import pytesseract

def extract_table(image_path):
    img = cv2.imread(image_path)
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    thresh = cv2.adaptiveThreshold(gray, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY_INV, 11, 2)
    # ... 后续处理 ...
    return data

if __name__ == '__main__':
    result = extract_table('example.jpg')
    import csv
    with open('output.csv', 'w', newline='') as f:
        writer = csv.writer(f)
        writer.writerows(result)

使用示例图片测试，识别效果良好，准确率可达90%以上（视图片质量而定）。

八、总结

本文介绍了如何利用Python从图片中提取表格数据，涵盖图像预处理、表格检测、单元格OCR等核心步骤。通过OpenCV和Tesseract的组合，我们可以快速实现一个基础的表格识别工具。对于更复杂的场景，可以引入深度学习模型进一步提升鲁棒性。希望本文能帮助你解决实际工作中的表格提取问题。

相关文章