去除历史文档中的噪音和污点以进行 OCR 识别

Posted

技术标签:

【中文标题】去除历史文档中的噪音和污点以进行 OCR 识别【英文标题】:Remove noise and staining in historical documents for OCR recognition 【发布时间】:2020-05-09 18:53:44 【问题描述】:

您好,我正在尝试从历史文档中清除尽可能多的噪音。

这些文档在整个文档中都有像小点一样的污点,影响 OCR 和手写识别。除了来自 OpenCV 的图像去噪之外,还有更有效的方法来清理这些图像吗?

【问题讨论】:

【参考方案1】:

一种潜在的方法是自适应阈值,执行一些形态学操作,并使用纵横比+轮廓区域过滤去除噪声。从这里我们可以按位和生成的掩码和输入图像得到一个干净的图像。结果如下:

由于你没有指定语言,我用 Python 实现了它

import cv2
import numpy as np

# Load image, create blank mask, convert to grayscale, Gaussian blur
# then adaptive threshold to obtain a binary image
image = cv2.imread('1.jpg')
mask = np.zeros(image.shape, dtype=np.uint8)
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
blur = cv2.GaussianBlur(gray, (7,7), 0)
thresh = cv2.adaptiveThreshold(blur,255,cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY_INV,51,9)

# Create horizontal kernel then dilate to connect text contours
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5,2))
dilate = cv2.dilate(thresh, kernel, iterations=2)

# Find contours and filter out noise using contour approximation and area filtering
cnts = cv2.findContours(dilate, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
cnts = cnts[0] if len(cnts) == 2 else cnts[1]
for c in cnts:
    peri = cv2.arcLength(c, True)
    approx = cv2.approxPolyDP(c, 0.04 * peri, True)
    x,y,w,h = cv2.boundingRect(c)
    area = w * h
    ar = w / float(h)
    if area > 1200 and area < 50000 and ar < 6:
        cv2.drawContours(mask, [c], -1, (255,255,255), -1)

# Bitwise-and input image and mask to get result
mask = cv2.cvtColor(mask, cv2.COLOR_BGR2GRAY)
result = cv2.bitwise_and(image, image, mask=mask)
result[mask==0] = (255,255,255) # Color background white

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

【讨论】:

这两条线从未使用过 - peri = cv2.arcLength(c, True) approx = cv2.approxPolyDP(c, 0.04 * peri, True)

以上是关于去除历史文档中的噪音和污点以进行 OCR 识别的主要内容,如果未能解决你的问题,请参考以下文章

如何使用 OpenCV 进行 OCR 和文本检测识别

从图像中去除背景噪音,使 OCR 的文本更清晰

利用AForge+Tesseract制作视频OCR程序

进行OCR识别文本的时候提示PDF文档无法识别

Python,OpenCV中的光学字符识别(OCR Optical Character Recognition)

Android 图片文字识别DEMO(基于百度OCR)