machine-learning - 如何训练和读取图像/PDF中的特定文本？

Question

图像或 PDF 可能包含

**

1. 打印文本，
2. 手写文字，
3. 段落，
4. 键值对，
5. 复杂的表格。

**

在训练时，我们将为文档分配标签/关键字。测试时将查找标签并读取标签的结果。

Answer 1

您需要执行 3 个步骤:

1. 首先，您应该编写基本的对象识别算法 一个图像。该算法必须将图像裁剪到 ROI( 兴趣)，那么它应该根据您的元素对每个投资返回率进行分类 内容类型列表。对于这一部分，您可以使用一些启发式规则 (例如，表格有时具有矩形边界)以获取 投资返回率的特点。然后你可以使用轻量级分类器，例如 决策树。

2. 接下来您应该提供读取数据结构的算法 由 ROI 类型定义。例如，对于表，您应该找到所有 图像上的细胞。然后你需要找到其中的每个单词或数字 您的数据结构并将其裁剪为符号集。

3. 完成后，您必须根据您的喜好对每个符号进行分类 文本图像分类器。在此步骤中，您可以使用多层 例如感知器或贝叶斯朴素分类器，以及另一个 通常用于图像识别的分类器类型。

在实践中，你可以尝试OpenCV库，它已经拥有您完成工作所需的几乎所有算法。

为了更好地理解第三步，您可以观看my project基于OpenCV人工神经网络特征使用的验证码识别。