привет
- User
привет
- Assistant
Привет! Чем могу помочь?
- User
напиши код который может распознать таблицы на картинках
- Assistant
Распознавание таблиц на изображении - это достаточно сложная задача, т.к. требуются методы компьютерного зрения и обработки изображений.
Ниже представлен пример кода на Python, использующий библиотеку OpenCV (Open Source Computer Vision Library) для обнаружения линий таблиц на изображении:
import cv2 import numpy as np from matplotlib import pyplot as plt # Считываем изображение таблицы img = cv2.imread('table.jpg') gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY) # Применяем бинаризацию с порогом для получения черно-белого изображения ret,thresh = cv2.threshold(gray,127,255,cv2.THRESH_BINARY_INV) # Получаем структурный элемент kernel = np.ones((5,5), np.uint8) # Находим горизонтальные и вертикальные линии таблицы horizontal_lines = cv2.erode(thresh, kernel, iterations=1) horizontal_lines = cv2.dilate(horizontal_lines, kernel, iterations=1) vertical_lines = cv2.erode(thresh, kernel, iterations=1) vertical_lines = cv2.dilate(vertical_lines, kernel, iterations=1) # Объединяем горизонтальные и вертикальные линии lines = cv2.addWeighted(horizontal_lines, 0.5, vertical_lines, 0.5, 0.0) # Детектируем контуры таблицы contours, hierarchy = cv2.findContours(lines, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE) # Находим прямоугольники и квадраты for cnt in contours: x,y,w,h = cv2.boundingRect(cnt) if w>100 and h>100: cv2.rectangle(img,(x,y),(x+w,y+h),(0,255,0),2) # Выводим изображение с выделенными контурами таблицы plt.imshow(img) plt.show()Пример использования кода:
- Сохраните изображение таблицы в файле "table.jpg".
- Запустите код на Python.
- Выводится изображение с выделенными прямоугольниками вокруг таблицы.
Пример выходного изображения:
[image: результат обнаружения таблицы на изображении] open
Этот код может обнаруживать горизонтальные и вертикальные линии таблицы, и определяет границы таблицы, чтобы выделить ее на изображении. Однако, для распознавания данных внутри таблицы, потребуется использовать другие методы.
- User
Добавь в код параметр загрузки изображения для распознавания
- Assistant
Конечный сценарий будет таким: пользователь запустит скрипт и передаст ему в качестве аргумента путь к файлу изображения.
Для этого можно использовать модуль
sysи функциюargv, чтобы извлечь путь к изображению.Вот пример модифицированного кода:
import cv2 import numpy as np import sys from matplotlib import pyplot as plt # Получаем путь к изображению из аргумента командной строки img_path = sys.argv[1] # Считываем изображение таблицы img = cv2.imread(img_path) gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY) # Применяем бинаризацию с порогом для получения черно-белого изображения ret,thresh = cv2.threshold(gray,127,255,cv2.THRESH_BINARY_INV) # Получаем структурный элемент kernel = np.ones((5,5), np.uint8) # Находим горизонтальные и вертикальные линии таблицы horizontal_lines = cv2.erode(thresh, kernel, iterations=1) horizontal_lines = cv2.dilate(horizontal_lines, kernel, iterations=1) vertical_lines = cv2.erode(thresh, kernel, iterations=1) vertical_lines = cv2.dilate(vertical_lines, kernel, iterations=1) # Объединяем горизонтальные и вертикальные линии lines = cv2.addWeighted(horizontal_lines, 0.5, vertical_lines, 0.5, 0.0) # Детектируем контуры таблицы contours, hierarchy = cv2.findContours(lines, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE) # Находим прямоугольники и квадраты for cnt in contours: x,y,w,h = cv2.boundingRect(cnt) if w>100 and h>100: cv2.rectangle(img,(x,y),(x+w,y+h),(0,255,0),2) # Выводим изображение с выделенными контурами таблицы plt.imshow(img) plt.show()В этом коде параметр
img_pathиспользуется для загрузки изображения с помощью функцииcv2.imread(). Теперь пользователям нужно будет запустить скрипт из командной строки, введя путь к файлу изображения в качестве аргумента. Например:python detect_table.py table.jpgЭта команда должна загрузить
table.jpgи вернуть изображение с выделенной таблицей. - User
Сделай djpvj;yjcnm загрузки изображения через google.colab
- Assistant
Вот пример кода для загрузки изображения через Google Colab:
from google.colab import files import cv2 import numpy as np from matplotlib import pyplot as plt # Загрузка изображения через Google Colab uploaded = files.upload() for filename in uploaded.keys(): img_path = filename # Считываем изображение таблицы img = cv2.imread(img_path) gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY) # Применяем бинаризацию с порогом для получения черно-белого изображения ret,thresh = cv2.threshold(gray,127,255,cv2.THRESH_BINARY_INV) # Получаем структурный элемент kernel = np.ones((5,5), np.uint8) # Находим горизонтальные и вертикальные линии таблицы horizontal_lines = cv2.erode(thresh, kernel, iterations=1) horizontal_lines = cv2.dilate(horizontal_lines, kernel, iterations=1) vertical_lines = cv2.erode(thresh, kernel, iterations=1) vertical_lines = cv2.dilate(vertical_lines, kernel, iterations=1) # Объединяем горизонтальные и вертикальные линии lines = cv2.addWeighted(horizontal_lines, 0.5, vertical_lines, 0.5, 0.0) # Детектируем контуры таблицы contours, hierarchy = cv2.findContours(lines, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE) # Находим прямоугольники и квадраты for cnt in contours: x,y,w,h = cv2.boundingRect(cnt) if w>100 and h>100: cv2.rectangle(img,(x,y),(x+w,y+h),(0,255,0),2) # Выводим изображение с выделенными контурами таблицы plt.imshow(img) plt.show()Этот код использует модуль
filesиз библиотекиgoogle.colabдля загрузки изображения через Google Colab. После загрузки изображения скрипт использует тот же код, что и раньше, для обнаружения таблицы и выделения ее контуров на изображении. Наконец, изображение с выделенными контурами выводится с помощью библиотекиmatplotlib.
Other models, same or similar prompt
Responses were produced in different, uncontrolled contexts (system prompts, settings, prior turns). This is not a benchmark.
Identical first prompt
- gpt-4-0314Compare side by side →
- gpt-3.5-turbo-0301Compare side by side →
- gpt-3.5-turbo-0301Compare side by side →
- gpt-3.5-turbo-0301Compare side by side →
- gpt-3.5-turbo-0301Compare side by side →
- gpt-3.5-turbo-0301Compare side by side →
- gpt-4-0314Compare side by side →
- gpt-4-0314Compare side by side →
- gpt-3.5-turbo-0301Compare side by side →
- gpt-3.5-turbo-0301Compare side by side →
- gpt-4o-2024-11-20Compare side by side →
- gpt-4o-2024-11-20Compare side by side →