版面还原:批量 OCR 不再把表格拍扁成一串字
批量 OCR 系列换一个角度聊:版面还原。识别引擎输出「这段区域有这些字」只是半成品——扫描件里的表格、多栏正文、图注被拍扁成一串字,下游没法用。版面还原是把半成品变成成品的最后一公里。
为什么表格最先崩
表格是版面里结构最强的元素,也是识别管线里最容易断掉的环节。主流识别引擎按「文本行」输出,表格的行列关系不在输出里——一行「张三 13800000000 35」和三行乱序文字,引擎看来都是文本行。
还原表格的思路是先找结构、再填内容:
- 线检测:开尔文/霍夫变换找横竖线,交叉点定出单元格网格。这一步的召回率决定一切——漏一条横线,整表报废。扫描件线条淡的处理:检测前对图像做局部对比度增强,淡墨线能拉回检测阈值以上;
- 无线表格兜底:三线表、无框表靠「列对齐特征」识别——同一列的文本左边界对齐度高,按对聚类估出列边界。准确率不如有线表,但比拍扁强十倍;
- 内容回填:网格有了之后,把该单元格区域内的文本行按几何位置归组,输出结构化行列。
多栏正文的还原
期刊、论文的双栏排版,直接按行读取会左右栏串行。处理办法:先做栏切分——垂直投影找文本密度低谷,低谷即栏分割线;两栏各自按行排序后,再按「左栏整列读完接右栏」的阅读顺序拼接。栏数不确定时,投影分析给出的谷线数量就是栏数减一,这个推断在三栏以内基本不会错。
页眉页脚与图注的分离
这两类元素的确定性高:页眉页脚在页面上下边缘 8% 带内且横向贯通;图注紧贴图片下沿、以「图 X」类前缀开头。规则分类的准确率远高于模型分类,够用且零成本——版面元素能不用模型就不用模型。
结构输出的验收标准
版面还原的验收不看识别率,看结构保真:原文 12 个表格,输出 12 个表格对象;原文双栏,输出阅读顺序正确;表格行列数与原表一致。这三条达标,下游(检索、翻译、数据录入)才能接得住。
一句话总结:批量 OCR 的可用性分水岭不在识别引擎,在版面还原这一层——它是「一堆文字」和「结构化数据」之间的那道门。
浙公网安备 33010602011771号