如何从文本图像中删除虚线？

Question

我正在处理的一个问题是对文档进行OCR。一些paystub文档有一个带点的突出显示行，以区分重要元素，如总薪酬，净薪酬等。

这些点在OCR中给出了错误的结果，它认为它们是＆＃39;：＆＃39;性格并没有给出预期的结果。我已经尝试了许多用于图像处理的东西，比如ImageMagick等，以去除这些点。但在每种情况下，整个文本数据的质量都会降低，从而导致OCR不良。

我尝试过的ImageMagick命令是：

转换mm150.jpg -kuwahara 3 mm2.jpg

我也尝试过连接组件，内核侵蚀等，但每种方法都失败了。

我想知道是否应该遵循一些方法，或者我是否遗漏了图像处理功能。

Answer 1

可以使用opencv的connectedComponentsWithStats函数解决此问题。我从这个问题How do I remove the dots / noise without damaging the text?

中找到了对此的参考

我根据自己的需要改变了一点。这是帮助我获得所需输出的代码。

    import cv2
    import numpy as np
    import sys

    img = cv2.imread(sys.argv[1], 0)
    _, blackAndWhite = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY_INV)


    nlabels, labels, stats, centroids = cv2.connectedComponentsWithStats(blackAndWhite, 4, cv2.CV_32S)
    sizes = stats[1:, -1] #get CC_STAT_AREA component
    img2 = np.zeros((labels.shape), np.uint8)

    for i in range(0, nlabels - 1):
        if sizes[i] >= 8:   #filter small dotted regions
            img2[labels == i + 1] = 255

    res = cv2.bitwise_not(img2)

    cv2.imwrite('res.jpg', res)

我得到的输出文件非常清楚，删除了虚线带，因为它可以提供完美的OCR结果。