采用图像处理和深度学习技术实现【合同扫描件】中表格内容的识别。合同扫描件以PDF格式提供，每页PDF对应纸质合同相应页的扫描图片。模型主体架构分为两部分：基于图像处理的表格识别、基于CRNN+CTC的OCR。

• PDF2img
• 筛选含有表格的页 （TODO）
• 图片预处理
  • 倾斜校正
• 表格识别
  • 二值化
  • 开操作：提取垂直线和水平线
  • 依据垂直线和水平线标记所有子表格
  • 分割提取表格中所有单元格区域
• 字符识别
  • 单元格图像预处理 （TODO）
    • 去印章、水印
    • 图像增强
  • OCR算法
    • Densenet + BLSTM + CTC模型
    • train
    • predict
• 表格导出（TODO）

python3，tennsorflow，opencv

1. 筛选PDF中含有表格的页面。
2. 标记和定位单元格，以便可以按照原表格的组织结构将识别出的内容排列，进而导出电子表格。
3. 去印章、水印等。
4. 由于扫描件的原始图像质量较差，PDF转为图片后质量进一步损失，需要做图像增强提高字符可分辨性。
5. 训练OCR模型。对现有数据集的图像做模糊、遮挡等处理，以提高模型对本项目应用场景的适应性。
6. 字符定位和单元格内分行情况的适配。
7. 改进表格线的提取算法，增强鲁棒性。
8. 基于NLP的OCR识别结果修正，提高识别准确率。

[1] https://www.jianshu.com/p/0f1bf8e057be
[2] https://github.com/xiaomaxiao/keras_ocr