我正在开发一个用于处理文档图像（主要是发票）的应用程序，基本上，我想将某些感兴趣的区域转换为 XML 结构，然后根据该数据对文档进行分类。目前我正在使用 ImageJ 来分析文档图像，并使用 Asprise/tesseract 来进行 OCR。
现在我正在寻找一些能让开发变得更容易的东西。具体来说，我正在寻找一些东西来自动校正文档图像并分析文档结构（例如，将图像转换为四叉树结构以便于处理）。虽然我更喜欢 Java 和 ImageJ，但我对任何库/代码/论文都感兴趣，无论它是用什么编程语言编写的。
虽然我正在开发的系统应尽可能自动处理数据，但用户应监督结果，并在必要时更正系统建议的分类。因此，我有兴趣使用机器学习技术来获得更可靠的结果。当处理类似的文档时，例如特定公司的发票，其结构通常是相同的。当用户之前更正过公司文档的数据时，应在将来考虑这些更正。我对机器学习技术的了解有限，想知道如何实现我的想法。
Mathematica 中的以下原型查找文本块的坐标并在每个块内执行 OCR。您可能需要调整参数值以适合实际图像的尺寸。我不讨论问题的机器学习部分；也许您甚至不需要此应用程序。
导入图片，为打印部分创建二进制蒙版，并使用水平闭合（膨胀和腐蚀）放大这些部分。
查询每个斑点的方向，对方向进行聚类，并通过对最大聚类的方向进行平均来确定整体旋转。
使用之前的角度来拉直图像。此时 OCR 是可能的，但您会丢失文本块的空间信息，这将使后处理比需要的困难得多。相反，通过水平闭合来查找文本块。
对于每个连接的组件，查询边界框位置和质心位置。使用边界框位置提取相应的图像块并对块执行 OCR。
此时，您已经有了字符串及其空间位置的列表。这还不是 XML，但听起来像是一个很好的起点，可以直接根据您的需求进行定制。
这是代码。同样，形态函数的参数（结构元素）可能需要根据实际图像的比例进行更改；此外，如果发票太倾斜，您可能需要大致“旋转”结构元素，以便仍然实现良好的“不倾斜”。
img = ColorConvert[Import@"http://www.team-bhp.com/forum/attachments/test-drives-initial-ownership-reports/490952d1296308008-laura-tsi-initial-ownership-experience-img023.jpg", "Grayscale"];
b = ColorNegate@Binarize[img];
mask = Closing[b, BoxMatrix[{2, 20}]]
orientations = ComponentMeasurements[mask, "Orientation"];
angles = FindClusters@orientations[[All, 2]]
\[Theta] = Mean[angles[[1]]]
straight = ColorNegate@Binarize[ImageRotate[img, \[Pi] - \[Theta], Background -> 1]]
TextRecognize[straight]
boxes = Closing[straight, BoxMatrix[{1, 20}]]
comp = MorphologicalComponents[boxes];
measurements = ComponentMeasurements[{comp, straight}, {"BoundingBox", "Centroid"}];
texts = TextRecognize@ImageTrim[straight, #] & /@ measurements[[All, 2, 1]];
Cases[Thread[measurements[[All, 2, 2]] -> texts], (_ -> t_) /; StringLength[t] > 0] // TableForm