ocr_verify/table_line_generator

📏 表格线生成工具

基于 OCR bbox 结果自动生成表格线，提升无线表格识别准确率

🎯 功能概述

通过 OCR 识别的文本框位置（bbox）自动推测表格结构，生成标准表格线，然后应用 PPStructure 有线表格识别，显著提升准确率。

核心功能

• ✅ 自动检测：基于 OCR bbox 自动分析行列结构
• ✅ 可视化调整：Streamlit 界面支持人工微调表格线位置
• ✅ 模板复用：将标注好的表格结构应用到同类型的其他页面
• ✅ 批量处理：一键应用模板到整个文件夹

📋 完整流程

OCR识别(bbox) → 自动分析 → 人工调整 → 保存模板 → 批量应用 → PPStructure识别

🚀 快速开始

1️⃣ 准备数据

确保有以下文件：

• OCR 结果 JSON：包含文本框坐标（bbox）
• 对应图片：PNG 或 JPG 格式

支持的 OCR 格式：

• PaddleOCR PPStructure V3 格式
• 标准 OCR 格式（含 text 和 bbox 字段）

2️⃣ 打开可视化编辑器

# 读取缺省配置文件./table_line_generator.yaml
streamlit run streamlit_table_line_editor.py

# 关键是在入口脚本名后加 --，后面的参数才会传递给脚本自身
streamlit run streamlit_table_line_editor.py -- --config /path/to/custom.yaml

3️⃣ 新建标注（第一页）

选择模式

在侧边栏选择 🆕 新建标注

上传文件

• 上传 OCR 结果 JSON（如 康强_page_001.json）
• 上传 对应图片（如 康强_page_001.png）

调整参数

• Y轴聚类容差：控制行检测的灵敏度（默认 5）
• X轴聚类容差：控制列检测的灵敏度（默认 10）
• 最小行高：过滤高度过小的行（默认 20）

分析并调整

1. 点击 🔍 分析表格结构
2. 查看检测结果（行数、列数、横线数、竖线数）
3. 使用 🛠️ 手动调整 功能微调：
   • 调整横线/竖线位置
   • 添加横线/竖线
   • 删除横线/竖线

保存配置

1. 勾选 保存表格结构配置
2. 勾选 保存表格线图片（可选）
3. 选择线条颜色（黑色/蓝色/红色）
4. 点击 💾 保存

生成文件：

• 康强_page_001_structure.json - 表格结构配置
• 康强_page_001_with_lines.png - 带表格线的图片

4️⃣ 加载已有标注（继续调整）

选择模式

在侧边栏选择 📂 加载已有标注

上传文件

• 上传 配置文件（如 康强_page_001_structure.json）
• 上传 对应图片（可选，用于查看效果）

继续调整

• 使用相同的调整功能修改表格线
• 保存更新后的配置

5️⃣ 批量应用模板

将标注好的表格结构应用到同类型的其他页面。

命令行方式

单文件模式：

python table_template_applier.py \
  --template output/table_structures/康强_page_001_structure.json \
  --image-file data/康强_page_002.png \
  --json-file data/康强_page_002.json \
  --output-dir output/batch_results \
  --width 2 \
  --color black

批量模式：

python table_template_applier.py \
  --template output/table_structures/康强_page_001_structure.json \
  --image-dir data/images \
  --json-dir data/jsons \
  --output-dir output/batch_results \
  --width 2 \
  --color black

无参数快速运行

直接运行会使用默认配置：

python table_template_applier.py

6️⃣ 使用 PPStructure 识别有线表格

python batch_ocr/batch_process_pdf.py \
  -p ppstructv3 \
  -f output/batch_results/image_list.txt \
  -o output/ppstructv3_results

📊 参数说明

表格结构分析参数

参数	默认值	说明
Y轴聚类容差	5	相近行的Y坐标容差（像素）
X轴聚类容差	10	相近列的X坐标容差（像素）
最小行高	20	过滤掉高度过小的行（像素）

绘图参数

参数	选项	说明
线条宽度	1-5	表格线的粗细
线条颜色	black/blue/red	保存时的线条颜色

显示参数

参数	说明
显示模式	对比显示 / 仅显示划线图 / 仅显示原图
图片缩放	0.25x - 2.0x
显示线条编号	是否显示 R1, C1 等编号

🎨 功能详解

自动检测算法

行检测：

1. 提取所有文本框的 Y 坐标
2. 按 Y 坐标排序
3. 聚类相近的 Y 坐标（容差内）
4. 过滤高度过小的行

列检测：

1. 提取所有文本框的 X 坐标（左边界和右边界）
2. 聚类相近的 X 坐标
3. 生成列分界线

行高计算：

• 排除表头行（通常较小）
• 计算数据行高度的中位数
• 用于批量应用时推算行数

模板应用原理

固定参数（从模板继承）：

• ✅ 表头高度
• ✅ 数据行高度
• ✅ 列宽列表
• ✅ 列的相对位置

可变参数（自动检测）：

• 🔄 表格起始位置（锚点）
• 🔄 行数（根据页面内容计算）

手动调整功能

功能	说明
调整横线	修改特定横线的 Y 坐标
调整竖线	修改特定竖线的 X 坐标
添加横线	在指定位置插入新横线
删除横线	批量删除选中的横线
添加竖线	在指定位置插入新竖线
删除竖线	批量删除选中的竖线
撤销/重做	支持多步操作回退

📁 输出文件说明

配置文件（*_structure.json）

{
  "rows": [...],                    // 行区间列表
  "columns": [...],                 // 列区间列表
  "horizontal_lines": [700, 735, ...],  // 横线Y坐标
  "vertical_lines": [50, 180, ...],     // 竖线X坐标
  "header_height": 35,              // 表头高度
  "row_height": 59,                 // 数据行高度
  "col_widths": [130, 128, ...],    // 各列宽度
  "table_bbox": [x1, y1, x2, y2],   // 表格边界框
  "modified_h_lines": [0, 5],       // 修改过的横线索引
  "modified_v_lines": [2]           // 修改过的竖线索引
}

表格线图片（*_with_lines.png）

• 预览模式：彩色编号（红色=已修改，蓝色=原始）
• 保存模式：纯黑色线条，无编号

批量结果（batch_results.json）

[
  {
    "source": "/path/to/page_002.png",
    "output": "/path/to/page_002_with_lines.png",
    "structure": "/path/to/page_002_structure.json",
    "num_rows": 15,
    "status": "success"
  }
]

🎯 使用场景

场景 1：单页表格标注

适用于表格结构固定的文档（如银行流水、报表）

1. 标注第1页 → 保存配置
2. 应用到其他页面
3. 批量识别

场景 2：多模板管理

适用于包含多种表格格式的文档

1. 为每种格式标注一个模板
2. 根据页面类型选择对应模板
3. 分别批量应用

场景 3：迭代优化

适用于初次标注不满意的情况

1. 加载已有配置
2. 微调表格线位置
3. 保存更新后的配置
4. 重新批量应用

🔧 故障排查

问题 1：检测不到行列

原因：

• Y/X 轴容差设置不当
• OCR 结果质量差

解决：

• 增大容差值
• 使用更高质量的 OCR 模型

问题 2：表头高度不对

原因：

• 表头行与数据行混在一起

解决：

• 使用"调整横线"功能手动分离表头
• 调整"最小行高"参数

问题 3：批量应用后位置偏移

原因：

• 不同页面的表格起始位置不同

解决：

• 检查 OCR 结果是否正确检测到第一行
• 模板会自动适应不同起始位置

问题 4：列宽不一致

原因：

• 不同页面的文本框宽度有细微差异

解决：

• 适当增大 X 轴聚类容差
• 手动调整有问题的竖线

📚 进阶技巧

技巧 1：快速定位问题线

在可视化界面中，已修改的线会标记为红色，方便追踪调整历史。

技巧 2：使用撤销功能

支持多步撤销/重做，可以放心尝试不同调整方案。

技巧 3：分段保存

处理长文档时，可以分段保存配置：

• template_section1.json - 表头部分
• template_section2.json - 数据部分

技巧 4：虚拟画布模式

即使没有图片，也可以加载配置文件查看坐标信息，方便检查配置正确性。

🤝 贡献指南

欢迎提交 Issue 和 Pull Request！

改进方向

• 支持合并单元格检测
• 支持斜线表头处理
• 支持不规则表格（非矩形）
• 导出为 Excel 格式
• 命令行批量处理增强

📄 许可证

MIT License

---

作者: [Your Name]
最后更新: 2025-01-13