检测图像中最长的水平线和垂直线

Question

我有一个 pdf，我想从中提取文本。我将 tesseract 用于 OCR，效果很好。但我的问题是它无法识别文档的 2 列格式，因此它将 2 列合并在一起。

我想在垂直（页面中间）和水平（页面顶部）线上拆分文档，然后将其提供给 tesseract。所以我做了以下

预处理步骤：

# color to gray
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# edge detection
edges = cv2.Canny(gray, 500, 1000, apertureSize=7)

# dialate
kernel = np.ones((5,5),np.float32)/25
edges = cv2.dilate(edges, kernel, iterations=1)

# blur
blur = cv2.GaussianBlur(edges, (7, 7), 0)

这些步骤产生：

现在，我做线检测：

minLineLength = 1000
maxLineGap = 500
lines = cv2.HoughLinesP(processed_img, 1, np.pi, 2, minLineLength, maxLineGap)
for line in lines:
    x1, y1, x2, y2 = line[0]
    cv2.line(img, (x1, y1), (x2, y2), (0, 0, 0), 1)

最终结果（将所有图像拼接回 pdf 后）看起来像 this。

我尝试了 theta、minLineLength 和 maxLineGap 的各种组合，这是我能得到的最好结果。任何 help/pointers 将不胜感激！

Answer 1

下面描述了一种可能的解决方案：

1) 检测水平线。以下是执行此操作的一种方法：

import cv2
import numpy as np


def discard(image):
    image = np.uint8(image)
    _, im_label, stts, _ = cv2.connectedComponentsWithStats(image, connectivity=4)

    msk1 = np.isin(im_label, np.where(stts[:, cv2.CC_STAT_WIDTH] > 500)[0])
    msk2 = np.isin(im_label, np.where(stts[:, cv2.CC_STAT_HEIGHT] > 500)[0])

    image[(msk1 | msk2)] = 0
    return image


img = cv2.imread("page_1.jpg", 0)
img = cv2.resize(img, None, fx=0.35, fy=0.35, interpolation=cv2.INTER_LINEAR)
height, width = img.shape[:2]

# Binarization
thresh = 255 - img
ret, thresh = cv2.threshold(thresh, 5, 255, cv2.THRESH_BINARY)

# Discarding long connected components
without_lines = discard(thresh.copy())
just_lines = cv2.bitwise_xor(thresh, without_lines)
horizontal = just_lines.copy()

# separating horizontal line
h_kernel_large = np.array([[0, 0, 0, 0, 0],
                           [0, 0, 0, 0, 0],
                           [1, 1, 1, 1, 1],
                           [0, 0, 0, 0, 0],
                           [0, 0, 0, 0, 0]], np.uint8)
horizontal = cv2.morphologyEx(horizontal, cv2.MORPH_OPEN, h_kernel_large, iterations=2)
cv2.imshow("horizontal_line", horizontal)

这是我们在水平矩阵中得到的：

2) 使用findContours 和boundingRect 得到那条水平线的坐标。然后使用该坐标水平裁剪图像。

upper_portion = img
lower_portion = img
contours, hierarchy = cv2.findContours(horizontal, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
for cnt in contours:
    x, y, w, h = cv2.boundingRect(cnt)
    upper_portion = img[0:y, 0:width]
    lower_portion = img[y+h:height, 0:width]

cv2.imshow("upper_portion", upper_portion)
cv2.imshow("lower_portion", lower_portion)
cv2.waitKey(0)

下面是裁剪后的图片。

upper_portion:

lower_portion:

3) 使用与步骤 1 中描述的相同过程检测垂直线并裁剪 lower_portion 图像。

在第一步中，我基本上使用了 "Connected Component Analysis"，然后是 "Opening operation"。阅读它们 here and here

检测图像中最长的水平线和垂直线

Detect the longest horizontal and vertical line in an image

python

ocr

opencv