forms - 如何查找扫描文档图像上的空白字段

Question

我希望我的申请能够填写表单中的一个字段 以黑白图像文件形式存在。形式总是 开始时是相同的纸质版本，但到了我的 应用程序从我的用户那里获取它，它可能已被扫描或传真更多 比一次。因此，我需要的字段不在 每个文件中的相同位置。

我的用户并不总是从我这里得到空白表格，所以我不 有能力打印我可以的标记或占位符 稍后再认识。

原来的空白表格上有文字，但是因为可能 已经传真了，我的分辨率只有200 dpi。文本 总是大到足以让人阅读，但我对此表示怀疑 关于OCR。

我有一些预算，所以我不需要免费的解决方案......让我们 就说 2000 美元。

也就是说，我正在考虑

1. 获取 OCR 解决方案来查找文本 我需要的字段上的标签。我不 认为我有资源或 自己的专业知识。我不 需要完美的认可，因为我 已经知道文字说了什么。 但我确实需要知道 X- 和 Y 坐标。有软件吗 是这样的吗？还是编程比我想象的容易？

2. 构建或购买软件来识别 表格的边缘。从那里， 我可以获得的相对位置 我需要的领域。我在想 我的扫描仪软件在图像周围放置的虚线 一个小文件。这是一个已知的 算法或者是否有可用的 解决方案？

3. 其他一些识别方法 我需要的领域。尝试谷歌 表格填写软件给我 数百个网络表单匹配项， pdf 表格等不符合我的要求 需要。

我对语言不挑剔。我的应用程序在 Linux 上运行，但如果最好的解决方案是 Microsoft，我也许可以实现这一点。

非常感谢您的想法。

Answer 1

如果我理解正确的话，表格总是相同的，但可能会因复印/传真而移动、缩放或稍微旋转。在这种情况下，您的问题是图像配准之一:找到最佳的刚性变换，使用户的表单与您的“模型”表单对齐，其中您知道字段的位置兴趣。一旦知道了转换，您就可以计算该字段在用户表单中的位置。

有许多图像配准算法，通常是为对齐大脑 MR 图像等应用而开发的。它们的计算成本很高并且需要统计先验。幸运的是，您的情况更简单:您所需要做的就是在用户表单的内容周围放置一个矩形。坐标下降应该有效。您需要对噪音(表单外的垃圾)有一定的容忍度。