Wie weißen Bereich in einem Bild

Question

Ich habe ein Beispielbild wie diese

Ich bin auf der Suche nach einem Weg zu Schwarz aus dem Rauschen aus dem Bild so extrahieren, dass ich mit einem Bild am Ende das hat nur schwarzen Text auf weißem Hintergrund, damit ich es zu Tesseract schicken kann.

Ich habe Morphing versucht, mit

kernel = np.ones((4,4),np.uint8) 
opening = cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel) 
cv2.imshow("opening", opening) 

, aber es scheint nicht zu funktionieren.

Ich habe auch versucht

img = cv2.cvtColor(rotated, cv2.COLOR_BGR2GRAY) 
(cnts, _) = cv2.findContours(img, cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE) 
cnts = sorted(cnts, key = cv2.contourArea, reverse = True)[:1] 
for c in cnts: 
    x,y,w,h = cv2.boundingRect(c) 
    roi=rotated[y:y+h,x:x+w].copy() 
    cv2.imwrite("roi.png", roi) 

Mit dem obigen Code Konturen zu finden, erhalte ich folgende Konturen:

, die zu diesem Bild führt, wenn abgeschnitten:

was immer noch nicht gut genug ist. Ich möchte schwarzen Text auf weißem Hintergrund, damit ich ihn an Tesseract OCR senden kann und gute Erfolgsquote habe.

Gibt es noch etwas, das ich ausprobieren kann?

aktualisieren

Hier ist ein weiteres ähnliches Bild. Dieser ist ein bisschen einfacher, weil es eine glatte Rechteck hat in ihm

Answer 1

Das Folgende funktioniert für Ihr angegebenes Beispiel, obwohl es möglicherweise für eine größere Anzahl von Bildern optimiert werden muss.

import numpy as np 
import cv2 

image_src = cv2.imread("input.png") 
gray = cv2.cvtColor(image_src, cv2.COLOR_BGR2GRAY) 
ret, gray = cv2.threshold(gray, 250,255,0) 

image, contours, hierarchy = cv2.findContours(gray, cv2.RETR_LIST, cv2.CHAIN_APPROX_SIMPLE) 
largest_area = sorted(contours, key=cv2.contourArea)[-1] 
mask = np.zeros(image_src.shape, np.uint8) 
cv2.drawContours(mask, [largest_area], 0, (255,255,255,255), -1) 
dst = cv2.bitwise_and(image_src, mask) 
mask = 255 - mask 
roi = cv2.add(dst, mask) 

roi_gray = cv2.cvtColor(roi, cv2.COLOR_BGR2GRAY) 
ret, gray = cv2.threshold(roi_gray, 250,255,0) 
image, contours, hierarchy = cv2.findContours(gray, cv2.RETR_LIST, cv2.CHAIN_APPROX_SIMPLE) 

max_x = 0 
max_y = 0 
min_x = image_src.shape[1] 
min_y = image_src.shape[0] 

for c in contours: 
    if 150 < cv2.contourArea(c) < 100000: 
     x, y, w, h = cv2.boundingRect(c) 
     min_x = min(x, min_x) 
     min_y = min(y, min_y) 
     max_x = max(x+w, max_x) 
     max_y = max(y+h, max_y) 

roi = roi[min_y:max_y, min_x:max_x] 
cv2.imwrite("roi.png", roi) 

Geben Sie die folgende Art der Ausgangsbilder:

Und ...

Der Code funktioniert, indem zuerst die größte Konturbereich zu lokalisieren. Daraus wird eine Maske erzeugt, die verwendet wird, um zuerst nur den Bereich innerhalb, d. H. Den Text, auszuwählen. Die Umkehrung der Maske wird dann zu dem Bild hinzugefügt, um den Bereich außerhalb der Maske in Weiß umzuwandeln.

Endlich Konturen sind wieder für dieses neue Bild gefunden. Alle Konturbereiche außerhalb eines geeigneten Größenbereichs werden verworfen (dies wird verwendet, um kleine Rauschbereiche zu ignorieren), und für jeden wird ein begrenzendes Rechteck gefunden. Mit jedem dieser Rechtecke wird für alle verbleibenden Konturen ein begrenzender Rect outer berechnet, und unter Verwendung dieser Werte wird ein Ausschnitt erstellt, um das endgültige Bild zu erhalten.

aktualisieren - Um den Rest des Bildes zu erhalten, das heißt mit dem obigen Bereich entfernt wird, werden die folgenden könnten verwendet:

image_src = cv2.imread("input.png") 
gray = cv2.cvtColor(image_src, cv2.COLOR_BGR2GRAY) 
ret, gray = cv2.threshold(gray, 10, 255,0) 
image, contours, hierarchy = cv2.findContours(gray, cv2.RETR_LIST, cv2.CHAIN_APPROX_SIMPLE) 
largest_area = sorted(contours, key=cv2.contourArea)[-1] 
mask = np.zeros(image_src.shape, np.uint8) 
cv2.drawContours(mask, [largest_area], 0, (255,255,255,255), -1) 
image_remainder = cv2.bitwise_and(image_src, 255 - mask) 

cv2.imwrite("remainder.png", image_remainder) 

Answer 2

Grundidee dieser Antwort ist Grenze um Text zu verwenden.

1) Erodieren horizontal mit einem sehr großen Kern, sagt Größe von 100 Pixeln oder 8-fache Größe einzelner erwarteten Charakter, so ähnlich. Es sollte reihenweise gemacht werden. Die äußerste Ordinate gibt die Y-Position der Grenzen um den Text an.

2) Prozess vertikal gleichen Weg, um X-Position von Grenzen um Text zu erhalten. Verwenden Sie dann diese Orte, um das gewünschte Bild auszuschneiden.

- Ein Vorteil dieser Methode ist, dass Sie jeden Satz/Wort separat getrennt erhalten, die, wie ich annehme, gut für eine OCR ist.

Glücklich Coding :)

Herausgegeben in Mark Setchell

Hier ist eine Demo von 1)

Hier ist eine Demo von 2)

Answer 3

bekomme ich diese: Result

Source Code:

if __name__ == '__main__': 
    SrcImg = cv2.imread('./Yahi9.png', cv2.CV_LOAD_IMAGE_GRAYSCALE) 
    _, BinImg = cv2.threshold(SrcImg, 80, 255, cv2.THRESH_OTSU) 

    Contours, Hierarchy = cv2.findContours(image=copy.deepcopy(SrcImg), 
             mode=cv2.cv.CV_RETR_EXTERNAL, 
             method=cv2.cv.CV_CHAIN_APPROX_NONE) 
    MaxContour, _ = getMaxContour(Contours) 
    Canvas = np.ones(SrcImg.shape, np.uint8) 
    cv2.drawContours(image=Canvas, contours=[MaxContour], contourIdx=0, color=(255), thickness=-1) 
    mask = (Canvas != 255) 
    RoiImg = copy.deepcopy(BinImg) 
    RoiImg[mask] = 255 
    RoiImg = cv2.morphologyEx(src=RoiImg, op=cv2.MORPH_CLOSE, kernel=np.ones((3,3)), iterations=4) 
    cv2.imshow('RoiImg', RoiImg) 
    cv2.waitKey(0) 

Funktion:

def getMaxContour(contours): 
    MaxArea = 0 
    Location = 0 
    for idx in range(0, len(contours)): 
     Area = cv2.contourArea(contours[idx]) 
     if Area > MaxArea: 
      MaxArea = Area 
      Location = idx 
    MaxContour = np.array(contours[Location]) 
    return MaxContour, MaxArea 

Ehh, es ist Python-Code. Es funktioniert nur, wenn die weiße Region die maximale Kontur ist.