Zucker, A., Belkada, Y., Vu, H. et al. ClusTi: Clustering Method for Table Structure Recognition in Scanned Images. Mobile Netw Appl 26, 1765–1776 (2021). https://doi.org/10.1007/s11036-021-01759-9
法国巴黎索邦大学
Keywords
- Table structure recognition
- Object recognition
- Clustering method
一、摘要
首先，利用聚类算法去除表格图像中的重噪声（DBSCAN）。
其次，它使用最先进的文本识别技术提取所有的文本框（参考论文：CRAFT----Character region awareness for text detection）。
第三，CluSTi基于优化参数的水平（DBSCAN）和垂直聚类算法（DBSCAN），分别将文本框组分到相应正确的行和列。
二、具体内容
2.1 识别过程：
2.2 方法过程：
1.Noise Removal
**Noise Removal: **正常的字符一般都是高聚集在一起的，noise一般会离群；使用DBSCAN clustering technique去删除奇异点；
2. Text Detection
Text Detection： 深度神经模型–CRAFT----Character region awareness for text detection；
3. Row Detection
Row Detection： 水平聚类算法。DBSCAN clustering technique (参数都是优化好的)
首先，计算每个检测到的文本框的质心坐标（即（x_c、y_c））。然后，根据x轴对它们进行归一化。最后，利用带有优化参数的DBSCAN对归一化的质心(即(x_n，y_n))进行了聚类。
输出行数与文体属于哪一行。
微调：Fine-tuning horizontal clustering
对于多行文本在一个单元格的，采用Probing算法（【33】）
参考：【33】Scholkmann F, Boss J, Wolf M (2012) An efficient algorithm for automatic peak detection in noisy periodic and quasi-periodic signals. Algorithms 5(4):588–603
4. Column Detection
**Column Detection: ** DBSCAN clustering technique（参数都是优化好的）
Vertical clustering算法
5. Cell Reconstruction：
单元格可以通过确定其实际的宽度、高度和坐标来重建。
三、评估
3.1 数据集：
397 table images，来自 table-detection-dataset. https://github.com/sgrpanchal31/tabledetection-dataset
ICDAR 2013；
ICDAR 2019；
3.2 实验结果：
3.3 与DeepDeSRT,TableNet的对比结果
【23】 Paliwal SS, Vishwanath D, Rahul R, Sharma M, Vig L (2019) Tablenet: Deep learning model for end-to-end table detection and tabular data extraction from scanned document images. In: 2019 International conference on document analysis and recognition (ICDAR). IEEE, pp 128–133
【34】Schreiber S, Agne S, Wolf I, Dengel A, Ahmed S (2017) Deepdesrt: Deep learning for detection and structure recognition of tables in document images. In: 2017 14th IAPR International conference on document analysis and recognition (ICDAR), vol 1.IEEE, pp 1162–1167
4. 总结
方法简单，思路清晰，不大谈理论。可是不知道代码开不开源。
5. 相关工作
DBSCAN(Density-Based Spatial Clustering of Applications with Noise，具有噪声的基于密度的聚类方法)；
一种很典型的密度聚类算法，和K-Means，BIRCH这些一般只适用于凸样本集的聚类相比，DBSCAN既可以适用于凸样本集，也可以适用于非凸样本集。
密度聚类思想：
by hahppyprince 2021-11-24