文章从python和opencv中的报纸图像中提取

Question

我尝试从报纸图像中提取文章，但标题是用rlsa算法在第一张图像中水平和垂直分隔某些像素值。如果我尝试使用更多像素值，则会合并第二张图片中的文章。任何人都可以建议在python和opencv中将文章与图像分开的最佳方法吗？

此循环用于图像

上的游程长度平滑算法水平

    for i in range(1,a):
        c = 1
        for j in range(1, b):
            if im_bw[i, j] == 0:
                if (j-c) <= 10:
                    im_bw[i, c:j] = 0

                c = j


        if (b - c) <= 10:
            im_bw[i, c:b] = 0

此循环用于图像

上的游程长度平滑算法垂直

    for i in range(1, b):
        c = 1
        for j in range(1, a):
            if im_bw[j, i] == 0:
                if (j-c) <= 9:
                    im_bw[c:j, i] = 0

                c = j


        if (b - c) <= 9:
            im_bw[c:b, i] = 0

a是行数 b是二进制图像的列数

算法如何处理二进制图像和红色标记显示文章的合并

Answer 1

我有一种方法可以处理大多数图像。

1. 使用PIL / Opencv对彩色/灰度图像进行二进制转换。
2. 将图像中的图片作为轮廓移除，与 图片中所有轮廓的平均面积。
3. 使用 canny 边缘过滤器和 houghlines
删除线
4. 在此二进制图像上使用 RLSA （行程长度平滑算法）。可以在此存储库https://github.com/Vasistareddy/python-rlsa
中找到此 RLSA 的描述和代码。

删除行会有所帮助，因为某些电子纸会将行保留为文章分隔符。 通过对图像进行更多处理，我们可以获得更好的结果。在执行上述步骤后，可以在图像上剩下的轮廓上实现平均宽度，平均高度，平均面积等启发式方法。

谈到上述问题，文章始终带有白色背景。没有白色背景的显然是“广告”或“图片”或“杂项”。 从上述4个步骤中删除图片可以清除，即可解决此问题。

PS：选择 RLSA 水平和垂直的值始终是个谜。由于文章的差异因版本而异。