ocr_platform/docs/ocr_tools/universal_doc_parser/unet表格识别连通域图-算法.md

User Input

如果unet可以正确识别出横竖线，能否输出横竖线的坐标， 然后根据横竖线的坐标焦点计算出连通域？ 这种做法与现有做法对比，哪种更稳定，为什么？

Planner Response

这是一个非常深入且专业的问题。简短的回答是：先提取线坐标，计算焦点并延长连接，再重新生成Mask进行连通域分析（即“先矢量化梳理，再栅格化分析”），是目前公认最稳定的有线表格恢复方案。

这也是 MinerU（以及许多商业级OCR引擎）采用的核心策略。

我为您详细对比这两种方案的优劣和原理：

方案对比

特性	方案A：基于Mask的直接连通域 (现有做法)	方案B：基于矢量线的重构连通域 (推荐做法/MinerU做法)
核心逻辑	UNet -> 概率图 -> 二值化 -> 也就是现在的做法	UNet -> 概率图 -> 提取线段坐标 -> 数学延长线段使其相交 -> 重绘Mask -> 连通域
处理交叉点	依赖形态学膨胀(Dilate)去"糊"住缺口。如果缺口大或错位，容易失败。	依赖几何计算。强制将线段延伸直到与另一条线相交，从数学上消灭缺口。
抗干扰性	弱。噪点、虚线、污渍会直接影响连通域形状。	强。只提取显著的长线段，过滤掉细碎噪点。
抗形变性	强。弯曲的表格也能很好适配（因为Mask是像素级的）。	较弱。如果表格弯曲严重，直线拟合误差会变大（需引入曲线拟合）。
复杂度	低。主要靠OpenCV基础算子。	高。涉及线段聚类、直线方程求解、交点计算等。
稳定性	中等。容易出现“单元格漏检”（线没连上）或“单元格粘连”。	极高。只要线被检出，单元格就一定闭合，且形状非常规整。

为什么方案B（矢量化重构）更稳定？

您遇到的 *"明明肉眼看线是清楚的，但连通域却漏了"*，通常是因为 像素级的断连。

• Mask方案的局限：在交叉点（十字或T字路口），预测的像素可能只差 1-2 个像素没连上。虽然肉眼看着是挨着的，但在计算机算法里，它们就是断开的，导致这个“房间”漏风，连通域分析时背景灌入，单元格就消失了。
• 矢量化方案的优势：
  1. 强制闭合：它计算出横线 $y=100$ 和竖线 $x=50$。即使预测的竖线只画到了 $y=98$（差2像素），矢量算法会强制将竖线延长，直到撞上横线。
  2. 结构规整：重绘出的表格一定是横平竖直的，消除了手写或扫描带来的边缘抖动。

结论与建议

目前我们尝试的 enhance_box_line (膨胀) 依然属于 方案A 的修补措施。如果您的业务场景中包含大量打印不清、有轻微断线的表格，方案B 是终极解决方案。