从文档的图像中分割线条，单词和字符

Question

我正在开展一个项目，我必须从图像中读取文档。在初始阶段，我将阅读机器打印的文档，然后最终转移到手写文档的图像。但是我这样做是为了学习目的，所以我不打算像Tesseract等那样使用api。 我打算分步进行：

1. 预处理（模糊，阈值处理，侵蚀和扩张）

2. 字符细分

3. OCR（或后期的ICR）

所以我现在正在进行角色分割，最近我通过水平和垂直直方图进行了分割。对于某些字体，我无法获得非常好的结果，例如显示的图像我无法获得好的结果。



还有其他方法或算法可以做同样的事吗？ 任何帮助将不胜感激！

编辑1：

使用cv2.SimpleBlobDetector检测blob后得到的结果。

使用cv2.findContours后得到的结果。

Answer 1

第一种选择是通过偏斜校正，即测量偏斜角。例如，您可以通过高斯滤波或水平方向的侵蚀来实现这一点，以便角色变宽并接触。然后二值化并细化或找到斑点的下边缘（或直接找到斑点的方向）。你会得到略微倾斜的线段，它们会给你倾斜的方向。

当您知道歪斜方向时，您可以反向旋转以执行去歪斜。然后，垂直直方图将可靠地分隔线条，您可以在每个线条中使用水平直方图。

第二个选项，IMO要好得多，就是对字符进行二值化并执行blob检测。然后，边界框的邻近分析将允许您确定字符链。他们会告诉你线条，间距越大，划分单词。

Answer 2

您是否考虑使用Google Cloud Vision或OCR.space等云服务？两者都为您提供的测试图像提供了良好的结果（Google的结果更好，但OCR.space是免费的）。