我希望从包含 2 张发票的以下图像中提取键值对。
图片示例
我正在使用 AWS Textract 来实现这一点，但是我希望能够将键值对映射回发票。例如，“ Cornbread SVC ”应映射到帐单#1，“ 1 #1 CHKN PLATE ”应映射到帐单#2。
我认为的一种方法是对图像进行一些预处理，如果我们能找出答案。票据及其坐标然后根据尺寸裁剪图像。所以基本上图像上的“5”张钞票会产生“5”张钞票的坐标，然后根据不同的钞票尺寸拍摄原始图像并裁剪 5 次。然后将每个账单作为单独的图像发送到 AWS Textract。
但是，我一直无法找出一种方法来检测否。图像中的钞票及其边界坐标。
任何帮助，将不胜感激。我愿意使用任何其他 API 或方法来实现这一点。
正如您已经提到的，在进行任何 OCR 之前，有必要拆分账单。有一些技术可以实现这一点。
您可以使用 OpenCV 并检测图像中的白皮书，请参阅. 根据我的经验，我可以告诉你，当图像的背景足够暗时，它会起作用。例如，当您在白色桌子上拍照时，它将不起作用。因此，使用这种方法获得的用户体验不会令人满意 - 有时有效，有时无效。
如果它是一个移动应用程序，您可以要求您的用户在每张收据周围画一个矩形。在移动扫描仪中使用了针对单个文档的类似方法，例如。
我更喜欢的最后一个选项是使用扫描应用程序/SDK 并强制用户简单地为单张收据拍照。它可能听起来有点僵硬和不酷，但它一直有效。让我们面对现实吧——你有可能失败的步骤越多，就会发生更多的失败。在发票数据提取过程中，您至少有以下步骤：
至少，您有两个不是 100% 的步骤。为什么要添加一个不能在 100% 情况下工作的新步骤，而它可以通过拍摄单独的图像来实现相同的功能？