如何查找扫描文档图像上的空白字段

Question

我希望我的应用程序以作为黑白图像文件的形式填写单个字段。该表格总是以同一纸张版本开始，但是到我的应用程序从用户获取它时，它可能已经被扫描或传真了一次。因此，我需要的字段在每个文件中都不位于同一位置。

我的用户并不总是从我这里得到空白表格，因此我没有能力打印以后能识别的标记或占位符。

原始空白形式上有文本，但是由于可能已经传真，我只有200 dpi的分辨率。文字总是足够大，可以阅读人类，但我对OCR持怀疑态度。

我有一些预算，所以我不需要免费的解决方案......我们只说2000美元。

也就是说，我正在考虑

1. 获取一个OCR解决方案，以在我需要的字段上找到文本标签。我认为我没有资源或专业知识可以滚动我拥有。我不需要完美的识别，因为我已经知道文字说了什么。但是我确实需要了解X-和Y-Coordinate。有没有这样做的软件？或者编程比我想象的更容易？

2. 构建或购买软件以识别表格的边缘。从那里，我可以获得所需的领域的相对位置。我正在考虑我的扫描仪软件在一个小文档的图像上放置的虚线。这是已知的algorhthm还是有可用的解决方案？

3. 其他一些识别我需要的领域的方法。尝试使用Google表单填充软件的尝试为我提供了数百场Web表单，PDF表格和等等的匹配项。那不做我需要的事情。

我对语言并不挑剔。我的应用程序在 Linux 上运行，但如果最好的解决方案是 Microsoft，我可能可以实现这一点。

我很感激你的想法。

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，您的问题是之一 图像配准:找到最佳的刚性转换，使用户的表单与您的“模型”表单对齐，其中您知道感兴趣字段的位置。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，你的情况更容易：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。

Answer 2

以下是一些可用的 OCR 解决方案（开源和非开源）的一些总结： http://googlesystem.blogspot.com/2007/04/open-source-ocr-software-spoken-by.html

Answer 3

严格的注册可能还不够。用户可以修改模板表单的布局和格式，例如更改字体、更改复选框或输入框的位置、在不同的换行位置处断开段落等。处理这些差异比纯粹的平移、旋转或缩放变换更复杂。此外，如果您的图像是二值图像（黑白），我认为那些医学图像配准算法（处理灰度图像）不会有太大帮助。您的成本函数和最小化策略可能会相应改变。