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。