Как извлечь белую область в изображении

Question

У меня есть образец изображения, как этот

Я искал способ затемнить шум от изображения, так что я в конечном итоге с изображением который имеет черный текст на белом фоне, чтобы я мог отправить его в tesseract.

Я попытался морфинг с

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

, но это не похоже на работу.

Я также попытался найти контуры

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) 

С кода выше, я получаю следующие контуры:

, который ведет к этому изображению, когда неожиданно возникли:

, который все еще недостаточно хорош. Я хочу черный текст на белом фоне, так что я могу отправить его в Tesseract OCR и иметь хороший шанс успеха.

Есть ли что-нибудь еще, что я могу попробовать?

Update

Вот дополнительный Сходный образ. Это один немного легче, потому что он имеет гладкий прямоугольник в нем

Answer 1

Следующие данные относятся к вашему примеру, хотя может потребоваться настройка для более широкого спектра изображений.

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) 

Давать вам следующий тип вывода изображения:

И ...

код работает на первом поиске наибольшую площадь контура. Из этого создается маска, которая используется для первого выбора только области внутри, то есть текста. Затем обратная сторона маски добавляется к изображению для преобразования области вне маски в белый.

Последние контуры найдены снова для этого нового изображения. Любые области контура за пределами подходящего диапазона размеров отбрасываются (это используется для игнорирования любых небольших зон шума), и для каждого из них определяется ограничивающий прямоугольник. С каждым из этих прямоугольников вычисляется ограничивающий прямоугольник для всех оставшихся контуров, и обрезка производится с использованием этих значений для получения окончательного изображения.

Обновления - Чтобы получить оставшуюся часть изображения, то есть с вышеуказанной областью удалены, может быть использовано следующее:

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

Основная идея этого ответа является использование границы вокруг текста.

1) Иродагоризонтально с очень большим ядром, скажем, размером 100 пикселей или 8 раз размер одного ожидаемого характера, что-то подобное. Это должно быть сделано по-разному. Крайняя ордината даст y-расположение границ вокруг текста.

2) Процесс по вертикали так же, как получить x-расположение границ вокруг текста. Затем используйте эти места, чтобы вырезать нужное изображение.

- Одно из преимуществ этого метода - вы получите каждое предложение/слово с пометкой в ​​отдельности, что, я полагаю, полезно для OCR.

Счастливый Coding :)

Отредактировано в Марк Setchell

Вот демо 1)

Вот демо 2)

Answer 3

я получаю это: Result

Исходный код:

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) 

Функция:

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 

Эхх, это питон код. Он работает только тогда, когда белая область является максимальным контуром.