Image processing 如何识别扫描图像中的文本存在模式并对其进行裁剪？ 扫描文档的智能裁剪

最近我接手了一个旧书/手稿的保存项目。它们数量巨大，几乎有10000页。我不得不用便携式扫描仪手动扫描它们，因为它们不适合用自动书籍扫描仪扫描

当我开始在Photoshop中编辑它们时，真正的问题就出现了。请注意，它们基本上都是文档（JPG格式），这些文档中绝对没有图像。他们使用不同的语言（Oriya），我相信在不久的将来不会有任何OCR软件可用。（如果有，请告诉我。）

为了使这些图像（文档）看起来干净优雅，我必须裁剪它们，定位它们，增加一点对比度，用橡皮擦清除不必要的斑点，等等。我能够在Photoshop中自动化这些过程中的大部分，但是裁剪是我陷入困境的地方。我无法自动裁剪，因为软件无法在img（doc）的某个区域识别文本或内容的存在；它只是将给定的值应用于裁剪

我想要一个解决方案来自动化这个裁剪过程。我已经想出了一个想法，我不知道它是否足够实用，以我所知，目前市场上还没有做这种事情的软件

可能的解决方案是：如果工具能够识别图像中的文本（这不是很关键，因为它们都是普通文档图像，没有图像，没有模式，只有普通矩形），那么这可能是可能的然后从每一面文本的边框处裁剪出来，这样它就可以输出一个文档图像而不留任何边距。在这之后，剩下的任务可以使用Photoshop自动完成，比如在页边空白处添加空白，调整对比度和颜色使其更具可读性等等

这里有一个指向图库的相册链接。如果有用的话，我可以发布更多的示例图片-请告诉我

以下是通过上述链接获得的更大图像样本中的一个示例：

---

从背景中分割文本的一种技术是笔划宽度变换。您可以在这里找到关于Stack Overflow的几篇文章，其中包括：

如果Wikipedia页面中显示的文本是书面Oriya的代表，那么我相信SWT（或您的自定义版本）将表现良好。在查看图像后，您可能仍然需要进行一些手动调整，但基于SWT的方法应该可以为您做很多工作

虽然SWT可能无法识别每一个笔划，但它应该可以很好地估计笔划（和字符）所占空间的大小。最简单的方法

一种可能适合您的新算法是“内容感知调整大小”算法，如“接缝雕刻”，它会自动删除低信息内容像素（例如背景像素）的路径。下面是一段关于接缝雕刻的视频：

GIMP有一个接缝雕刻插件（“液体大小调整”）：

这篇博文报道了Photoshop的一个插件：

关于OCR技术的概述，我推荐Cheriet、Kharma、Liu和Suen的书《字符识别系统》。那本书中的参考资料会让你忙上一段时间

---

最后，考虑加入LinkedIn上的光学字符识别组来发布更具体的问题。业内有学者、研究人员和工程师可以非常详细地回答问题，您也可以通过电子邮件与正在为类似Oriya的语言开发OCR的印度研究人员联系，尽管他们可能尚未发布该软件。

使用tinypic的样本，

使用ImageMagick，我将按照以下思路构建一个算法：

对比度拉伸原始图像

黑点的1%和白点的10%的值似乎差不多

命令：

convert                               \
   http://i46.tinypic.com/21lppac.jpg \
  -contrast-stretch 1%x10%            \
   contrast-stretched.jpg   

convert                                                                         \
   trimmmed.jpg                                                                 \
  -distort perspective '0,0 0,0  1300,0 1300,0  0,720 0,720  1300,720 1300,770' \
   distort.jpg

结果：

刮去一些边界像素，以去除那里的暗扫描伪影

每条边上30个像素的值看起来差不多正确

命令：

convert                               \
   http://i46.tinypic.com/21lppac.jpg \
  -contrast-stretch 1%x10%            \
   contrast-stretched.jpg   

convert                                                                         \
   trimmmed.jpg                                                                 \
  -distort perspective '0,0 0,0  1300,0 1300,0  0,720 0,720  1300,720 1300,770' \
   distort.jpg

结果：

对图像进行去斑点处理

这里没有其他参数。重复过程3次以获得更好的结果

命令：

convert                               \
   http://i46.tinypic.com/21lppac.jpg \
  -contrast-stretch 1%x10%            \
   contrast-stretched.jpg   

convert                                                                         \
   trimmmed.jpg                                                                 \
  -distort perspective '0,0 0,0  1300,0 1300,0  0,720 0,720  1300,720 1300,770' \
   distort.jpg

结果：

应用阈值使所有像素变为黑色或白色

大约50%的值似乎是正确的

命令：

convert                               \
   http://i46.tinypic.com/21lppac.jpg \
  -contrast-stretch 1%x10%            \
   contrast-stretched.jpg   

convert                                                                         \
   trimmmed.jpg                                                                 \
  -distort perspective '0,0 0,0  1300,0 1300,0  0,720 0,720  1300,720 1300,770' \
   distort.jpg

结果：

重新添加刮除的像素

使用

identify-格式“%Wx%H”21lppac.jpg

确定原始图像的尺寸为

1536x835

像素

命令：

convert                               \
   http://i46.tinypic.com/21lppac.jpg \
  -contrast-stretch 1%x10%            \
   contrast-stretched.jpg   

convert                                                                         \
   trimmmed.jpg                                                                 \
  -distort perspective '0,0 0,0  1300,0 1300,0  0,720 0,720  1300,720 1300,770' \
   distort.jpg

结果： （注意，这一步只是可选的。它的目的是回到原始图像的尺寸，如果你想从这里开始，将结果与原始图像叠加，或者其他任何东西……）

反扭曲图像

40%（默认值）的阈值在这里似乎也适用

命令：

convert                               \
   http://i46.tinypic.com/21lppac.jpg \
  -contrast-stretch 1%x10%            \
   contrast-stretched.jpg   

convert                                                                         \
   trimmmed.jpg                                                                 \
  -distort perspective '0,0 0,0  1300,0 1300,0  0,720 0,720  1300,720 1300,770' \
   distort.jpg

结果：

从每个边缘删除纯白色像素的所有行和列

这可以通过简单地使用

-trim

操作符来实现

命令：

convert                               \
   http://i46.tinypic.com/21lppac.jpg \
  -contrast-stretch 1%x10%            \
   contrast-stretched.jpg   

convert                                                                         \
   trimmmed.jpg                                                                 \
  -distort perspective '0,0 0,0  1300,0 1300,0  0,720 0,720  1300,720 1300,770' \
   distort.jpg

结果：

如您所见，结果还不完美：

• 在图像的底部边缘仍然存在一些随机的人工制品，并且

• 由于其他极小的瑕疵，最终的修剪没有从边缘移除所有的空白

• 还有，我还没有收到