垂直投影和水平投影

Question

我正在尝试为该论文中的 ocr 实现以下算法。

https://arxiv.org/ftp/arxiv/papers/1707/1707.00800.pdf

我对那部分感到困惑：

我构建了图像的垂直剖面：

env = np.sum(img, axis=1)

这就是我得到的

我正在寻找算法的清晰解释，也许是伪代码

Answer 1

根据我的理解，该算法旨在分离单个阿拉伯字母，这些字母在书写时通过水平线连接（我对阿拉伯字母的知识完全为零）。

因此该算法假定给定图像是水平对齐的（否则它将不起作用），并且它正在寻找具有相似黑色像素上键的区域。

构建图像的垂直剖面后，您只需找到单词中最常见的高度（图像中第二高的高度）。比起您只是将特定高度区域与其余区域之间的图像分开。

使用您的图片：

红线是您需要查找的第二个最常见的高度（可以使用直方图来完成）。

绿线表示各个字符之间的分隔（因此这里您将得到 4 个字符）。

顺便说一句，你的图像比论文中使用的图像更嘈杂和失真，所以你可能应该找到一些值范围来离散化你的高度值（例如使用直方图）。

伪代码（或未经证实的未经测试的代码）：

# Discretize the y values to n_bins (noisier image will mean you can use less bins):
height_hist = np.histogram(y, bins=n_bins)

# Find bin with the second largest number of values:
bin = np.argsort(height_hist[0])[-2]

# Get the limit values of the bin:
y_low, y_high = height_hist[1][bin], height_hist[1][bin+1]

# Go over the vertical projection values and separate to characters:

zero = y[0] # Assuming the first projected value is outside of the word
char_list = []
i = 0
inside_char = False
while i < len(y):
    if y[i] != zero:
        start = i # start of char

        # Find end of current char:
        for j in range(i, len(y)):
            if y_low<=y[i] and  y[i]<=y_high:
                end = j # end of char
                char_list.append([start, end]) # add to char list
                i = end

        # Find the start of the next char:
        for j in range(i, len(y)):
            if y_low>y[i] or  y[i]>y_high:
                i = j
    else:
        i += 1

垂直投影和水平投影

Vertical projection and horizontal projection

python

ocr

computer-vision