unet表格识别-grid_recovery.md 3.5 KB
产生空行/空列的情况
1. 网格线检测产生的额外分割线
def recover_grid_structure(bboxes: List[List[float]]) -> List[Dict]:
# ...
# 1. 识别行分割线 (Y轴)
y_coords = []
for b in bboxes:
y_coords.append(b[1]) # top
y_coords.append(b[3]) # bottom
row_dividers = GridRecovery.find_grid_lines(y_coords, tolerance=5, min_support=2)
- 问题：
find_grid_lines收集所有单元格的 top/bottom（或 left/right）坐标，聚类后生成网格线。 - 如果某些位置有 ≥2 个坐标对齐（满足
min_support=2），就会产生一条网格线。 - 结果：可能产生比实际行/列更多的网格线，从而产生空的行区间或列区间。
2. 单元格匹配时未覆盖某些行/列区间
# 匹配行
matched_rows = []
for r in row_intervals:
inter_top = max(b_top, r["top"])
inter_bottom = min(b_bottom, r["bottom"])
inter_h = max(0, inter_bottom - inter_top)
if r["height"] > 0 and (inter_h / r["height"] > 0.5 or inter_h / b_h > 0.5):
matched_rows.append(r["index"])
- 问题：匹配条件为
inter_h / r["height"] > 0.5或inter_h / b_h > 0.5。 - 如果某个行/列区间很小，且没有单元格满足该条件，该区间就不会被匹配。
- 结果：该行/列区间没有单元格的起始位置，成为空行/空列。
3. rowspan/colspan 跨越的间隙行/列
for cell in cells:
if cell["row"] < max_row:
row_occupied[cell["row"]] = True # 只标记起始行
if cell["col"] < max_col:
col_occupied[cell["col"]] = True # 只标记起始列
- 问题：
compress_grid只标记单元格的起始行/列（cell["row"]和cell["col"]）。 - 如果一个单元格跨越多个行/列（rowspan/colspan > 1），中间的行/列如果没有其他单元格起始，就不会被标记为占用。
- 结果：这些中间行/列成为空行/空列。
4. 表格边缘的额外网格线
- 如果表格边缘的单元格边界对齐形成网格线，但该行/列区间内没有单元格，也会产生空行/空列。
示例场景
假设有以下单元格：
- Cell A: row=0, rowspan=3（跨越行 0, 1, 2）
- Cell B: row=3, rowspan=1（只在行 3）
如果网格线检测产生了行 0, 1, 2, 3, 4 的分割线：
- 行 0: 被 Cell A 占用（起始）
- 行 1: 被 Cell A 跨越，但没有单元格起始 → 空行
- 行 2: 被 Cell A 跨越，但没有单元格起始 → 空行
- 行 3: 被 Cell B 占用（起始）
- 行 4: 没有单元格 → 空行
compress_grid 会移除这些空行，最终得到紧凑的网格。
总结
空行/空列主要来自：
- 网格线检测产生的额外分割线
- 单元格匹配条件未覆盖某些区间
- rowspan/colspan 跨越的中间行/列
- 表格边缘的额外网格线
compress_grid 会移除这些空行/空列，确保最终网格紧凑。