我现在要处理的是扫描版工程文档里的表格提取，这个表格的情况特别棘手，具体有这些麻烦点：

• 表头存在大量合并单元格
• 行高、列宽完全不规则
• 表格边框淡、有多处断裂
• 每个单元格里都有文本内容
• 文本里的竖笔画（比如I、|、1这类）和表格边框长得几乎一样
• 还混着工程符号和logo

我的核心目标是1:1还原原表格的结构：包括正确的行列划分、合并单元格的准确识别、每个单元格的OCR文本都对应正确位置，最后输出成结构化格式（比如Pandas DataFrame）。

我需要的解决方案 #

我要的是能解决以下问题的完整方案：

• 精准检测出真实的表格横竖线（不管是淡的、断的都要识别到）
• 准确重建出表格的网格结构
• 正确识别并处理合并单元格
• 按人类阅读顺序逐个提取单元格的OCR文本
• 输出和原表格布局完全匹配的结构化结果（比如Pandas DataFrame）

我已经尝试过的方法（附代码）但都失败了 #

我试了好几种OpenCV的经典表格检测方法，但全都踩了坑，下面是每个方法的情况：

1. 基于轮廓的单元格检测 #

代码片段：

cnts, _ = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)

❌ 遇到的问题：

• 单元格内的文本会生成额外的小轮廓，严重干扰检测
• 碰到文本的网格线会和文本轮廓合并成不规则的大多边形，根本没法区分
• 完全搞不定单元格的阅读顺序
• 合并单元格直接破坏了轮廓的层级关系
• 表头行被拆成无数个子轮廓，根本没法正确识别

2. Hough直线变换 #

代码片段：

lines = cv2.HoughLinesP(binary, 1, np.pi/180, threshold=50)

❌ 遇到的问题：

• 淡的、断裂的边框被检测成一堆零散的线段
• 没法区分断裂的边框和噪声
• 文本里的短竖笔画（I、|、1）会被误判成竖线
• 要把零散的线段合并成完整的表格线，难度高到离谱

3. 形态学直线检测 #

代码片段：

# 检测水平线
h_kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (80, 1))
h_lines = cv2.morphologyEx(bw, cv2.MORPH_OPEN, h_kernel)

# 检测竖直线
v_kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (1, 80))
v_lines = cv2.morphologyEx(bw, cv2.MORPH_OPEN, v_kernel)

❌ 遇到的问题：

• 文本里的竖笔画（M、I、H、T、1这类）会被当成列线
• 文本下方的短横笔画会被当成行线
• 表头直接被拆成10-20个假列
• 淡的断裂边框会生成多条零散的线

补充：尝试过连通域过滤但还是失败

我还加了强过滤规则，比如只保留高度≥图像高度70%、宽度≤10的竖线：

def filter_vertical(binary, min_height):
    num, _, stats, _ = cv2.connectedComponentsWithStats(binary)
    out = np.zeros_like(binary)
    for i in range(1, num):
        x,y,w,h,area = stats[i]
        if h >= min_height and w < 10:
            out[y:y+h, x:x+w] = 255
    return out

v_lines = filter_vertical(raw_v, int(0.7 * img.shape[0]))

❌ 还是不行：真实的断裂边框会被误过滤掉，而有些文本竖笔画的高度刚好超过阈值，还是会被当成表格线，把网格拆得乱七八糟。

为什么这个问题这么难 #

这个工程表格的特殊点，导致纯OpenCV的几何重建完全不靠谱：

• 大量合并单元格，打破了规则的网格结构
• 多层表头进一步增加了结构复杂度
• 扫描质量差导致边框断裂、变淡
• 文本和边框经常重叠
• 文本里的竖笔画和表格边框几乎无法区分
• 内部分隔线特别淡，容易被忽略

我想请教的问题 #

有没有推荐的方法（纯OpenCV、混合方案、或者基于ML的模型）能解决这个棘手的问题？具体要能：

• 可靠检测表格网格（不管边框有多淡、多断）
• 完整保留表格的原始结构（包括合并单元格）
• 正确处理所有不规则的行高列宽
• 按正确阅读顺序提取每个单元格的OCR文本

我能接受的方案类型：

• 鲁棒的OpenCV流水线优化思路
• 基于深度学习的模型（比如TableNet、CascadeTabNet、YOLO表格模型这类）
• OpenCV+ML的混合方案
• 现成的、能处理这种复杂表格的工具

最小可复现代码 #

下面是我当前的测试代码，即使加了过滤，还是会把文本竖笔画当成表格线：

import cv2
import numpy as np

img = cv2.imread("table.png")
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
bw = cv2.adaptiveThreshold(
    gray, 255, cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY_INV, 15, 8
)

# 形态学直线检测
h_kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (80, 1))
raw_h = cv2.morphologyEx(bw, cv2.MORPH_OPEN, h_kernel)
v_kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (1, 80))
raw_v = cv2.morphologyEx(bw, cv2.MORPH_OPEN, v_kernel)

# 过滤竖直线（仍然失败）
def filter_vertical(binary, min_height):
    num, _, stats, _ = cv2.connectedComponentsWithStats(binary)
    out = np.zeros_like(binary)
    for i in range(1, num):
        x,y,w,h,area = stats[i]
        if h >= min_height and w < 10:
            out[y:y+h, x:x+w] = 255
    return out

v_lines = filter_vertical(raw_v, int(0.7 * img.shape[0]))
cv2.imwrite("vlines_debug.png", v_lines)

期望输出 #

最终能得到一个Pandas DataFrame，满足：

• 每个单元格的位置完全对应原表格
• 合并单元格的结构被正确保留（比如跨列/跨行的单元格在DataFrame里也能体现）
• 文本按正确的阅读顺序填充
• 整体布局和扫描件里的表格完全一致

麻烦各位大佬给点建议，不管是优化思路、工具推荐还是模型用法都可以！万分感谢🙏