Javascript 如何检查文本覆盖图像的百分比？

有没有办法通过编程计算文本覆盖图像的百分比？我试图在node.js或python中实现这一点，但似乎找不到任何实现这一点的方法-我找到了很多库，它们可以让您分析文本和/或更改图像属性本身（tesseract最初看起来很有希望），但没有任何东西可以返回一个区域或数量-通常只是文本本身。如果您有任何想法，我将不胜感激。很抱歉，我尝试过的代码太少，但在任何地方都找不到任何与此相关的内容。

这里有一种使用OpenCV的阈值+轮廓过滤的潜在方法：

• 将图像转换为灰度和自适应阈值
• 查找轮廓并使用定义的阈值进行过滤，以删除所有非文本轮廓
• 在掩码上绘制非文本轮廓，并按位异或仅获取文本
• 计算文本像素的百分比

---

由于您没有提供输入图像，我将使用教科书中的示例图像。注意：一些文本是彩色的，并且有一张图片用文本模拟正常图像

我们首先使用

cv2.adaptiveThreshold（）

将图像转换为灰度和自适应阈值，以获得二值图像

image = cv2.imread('1.png')
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
thresh = cv2.adaptiveThreshold(gray,255,cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY_INV,11,3)

接下来，我们使用

cv2.findContours（）

查找轮廓，并使用

cv2.contourArea（）

使用轮廓区域进行过滤。我们定义了一个

picture\u阈值

值，该值定义了非文本轮廓的阈值。从本质上说，这个值决定了如果轮廓太大，它必须是一张图片，所以我们希望从图像中过滤这些轮廓。在这种情况下，我们将非文本轮廓定义为大于图像大小

5%

的任何轮廓。这是一个不错的假设，因为单个单词不会超过整个图像区域的

1%

（除非它是一个徽标，但让我们假设为普通文本）

遮罩上的阈值二值图像（左）和过滤的非文本轮廓（右）

由于我们只在图像上分离出文本轮廓，因此我们只需使用

cv2.countNonZero（）

计算图像上的白色像素数。我们可以通过除以图像的面积来获得文本像素的百分比。结果如下：

百分比：13.15%

---

完整性的完整代码

import cv2
import numpy as np

image = cv2.imread('1.png')
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
thresh = cv2.adaptiveThreshold(gray,255,cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY_INV,11,3)

mask = thresh.copy()
mask = cv2.merge([mask,mask,mask])

picture_threshold = image.shape[0] * image.shape[1] * .05
cnts = cv2.findContours(thresh, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
cnts = cnts[0] if len(cnts) == 2 else cnts[1]
for c in cnts:
    area = cv2.contourArea(c)
    if area < picture_threshold:
        cv2.drawContours(mask, [c], -1, (0,0,0), -1)

mask = cv2.cvtColor(mask, cv2.COLOR_BGR2GRAY)
result = cv2.bitwise_xor(thresh, mask)

text_pixels = cv2.countNonZero(result)
percentage = (text_pixels / (image.shape[0] * image.shape[1])) * 100
print('Percentage: {:.2f}%'.format(percentage))

cv2.imshow('thresh', thresh)
cv2.imshow('result', result)
cv2.imshow('mask', mask)
cv2.waitKey()

导入cv2
将numpy作为np导入
image=cv2.imread（'1.png'）
灰色=cv2.CVT颜色（图像，cv2.COLOR\u BGR2GRAY）
thresh=cv2.自适应阈值（灰色，255，cv2.自适应阈值高斯C，cv2.阈值二进制INV，11,3）
mask=thresh.copy（）
mask=cv2.merge（[掩码，掩码，掩码]）
picture\u threshold=image.shape[0]*image.shape[1]*.05
cnts=cv2.找到的孔（阈值，cv2.外部，cv2.链近似，简单）
如果len（cnts）==2个其他cnts[1]，则cnts=cnts[0]
对于碳纳米管中的碳：
面积=cv2。轮廓面积（c）
如果区域<图片\u阈值：
cv2.绘制轮廓（掩模，[c]，-1，（0,0,0），-1）
遮罩=cv2.CVT颜色（遮罩，cv2.COLOR\u BGR2GRAY）
结果=cv2.按位异或（阈值、掩码）
text_pixels=cv2.countNonZero（结果）
百分比=（文本像素/（image.shape[0]*image.shape[1]）*100
打印（'百分比：{.2f}%'。格式（百分比））
cv2.imshow（'thresh'，thresh）
cv2.imshow（“结果”，结果）
cv2.imshow（“面具”，面具）
cv2.waitKey（）

这里有一种使用OpenCV的阈值+轮廓过滤的潜在方法：

• 将图像转换为灰度和自适应阈值
• 查找轮廓并使用定义的阈值进行过滤，以删除所有非文本轮廓
• 在掩码上绘制非文本轮廓，并按位异或仅获取文本
• 计算文本像素的百分比

---

由于您没有提供输入图像，我将使用教科书中的示例图像。注意：一些文本是彩色的，并且有一张图片用文本模拟正常图像

我们首先使用

cv2.adaptiveThreshold（）

将图像转换为灰度和自适应阈值，以获得二值图像

image = cv2.imread('1.png')
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
thresh = cv2.adaptiveThreshold(gray,255,cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY_INV,11,3)

接下来，我们使用

cv2.findContours（）

查找轮廓，并使用

cv2.contourArea（）

使用轮廓区域进行过滤。我们定义了一个

picture\u阈值

值，该值定义了非文本轮廓的阈值。从本质上说，这个值决定了如果轮廓太大，它必须是一张图片，所以我们希望从图像中过滤这些轮廓。在这种情况下，我们将非文本轮廓定义为大于图像大小

5%

的任何轮廓。这是一个不错的假设，因为单个单词不会超过整个图像区域的

1%

（除非它是一个徽标，但让我们假设为普通文本）

遮罩上的阈值二值图像（左）和过滤的非文本轮廓（右）

由于我们只在图像上分离出文本轮廓，因此我们只需使用

cv2.countNonZero（）

计算图像上的白色像素数。我们可以通过除以图像的面积来获得文本像素的百分比。结果如下：

百分比：13.15%

---

完整性的完整代码

import cv2
import numpy as np

image = cv2.imread('1.png')
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
thresh = cv2.adaptiveThreshold(gray,255,cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY_INV,11,3)

mask = thresh.copy()
mask = cv2.merge([mask,mask,mask])

picture_threshold = image.shape[0] * image.shape[1] * .05
cnts = cv2.findContours(thresh, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
cnts = cnts[0] if len(cnts) == 2 else cnts[1]
for c in cnts:
    area = cv2.contourArea(c)
    if area < picture_threshold:
        cv2.drawContours(mask, [c], -1, (0,0,0), -1)

mask = cv2.cvtColor(mask, cv2.COLOR_BGR2GRAY)
result = cv2.bitwise_xor(thresh, mask)

text_pixels = cv2.countNonZero(result)
percentage = (text_pixels / (image.shape[0] * image.shape[1])) * 100
print('Percentage: {:.2f}%'.format(percentage))

cv2.imshow('thresh', thresh)
cv2.imshow('result', result)
cv2.imshow('mask', mask)
cv2.waitKey()

导入cv2
将numpy作为np导入
image=cv2.imread（'1.png'）
灰色=cv2.CVT颜色（图像，cv2.COLOR\u BGR2GRAY）
thresh=cv2.自适应阈值（灰色，255，cv2.自适应阈值高斯C，cv2.阈值二进制INV，11,3）
mask=thresh.copy（）
mask=cv2.merge（[掩码，掩码，掩码]）
picture\u threshold=image.shape[0]*image.shape[1]*.05
cnts=cv2.找到的孔（阈值，cv2.外部，cv2.链近似，简单）
如果len（cnts）==2个其他cnts[1]，则cnts=cnts[0]
对于碳纳米管中的碳：
面积=cv2。轮廓面积（c）
如果区域<图片\u阈值：
cv2.绘制轮廓（掩模，[c]，-1，（0,0,0），-1）
遮罩=cv2.CVT颜色（遮罩，cv2.COLOR\u BGR2GRAY）
结果=cv2.按位异或（阈值、掩码）
text_pixels=cv2.countNonZero（结果）
百分比=（文本像素/（image.shape[0]*image.shape[1]）*100
打印（'百分比：{.2f}%'。格式（百分比））
cv2.imshow（'thresh'，thresh）
cv2.imshow（“结果”，结果）
cv2.imshow（“面具”，
import cv2
import numpy as np

image = cv2.imread('1.png')
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
thresh = cv2.adaptiveThreshold(gray,255,cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY_INV,11,3)

mask = thresh.copy()
mask = cv2.merge([mask,mask,mask])

picture_threshold = image.shape[0] * image.shape[1] * .05
cnts = cv2.findContours(thresh, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
cnts = cnts[0] if len(cnts) == 2 else cnts[1]
for c in cnts:
    area = cv2.contourArea(c)
    if area < picture_threshold:
        cv2.drawContours(mask, [c], -1, (0,0,0), -1)

mask = cv2.cvtColor(mask, cv2.COLOR_BGR2GRAY)
result = cv2.bitwise_xor(thresh, mask)

text_pixels = cv2.countNonZero(result)
percentage = (text_pixels / (image.shape[0] * image.shape[1])) * 100
print('Percentage: {:.2f}%'.format(percentage))

cv2.imshow('thresh', thresh)
cv2.imshow('result', result)
cv2.imshow('mask', mask)
cv2.waitKey()