Question

Marmot是文档图像数据集（http://www.icst.pku.edu.cn/cpdp/data/marmot_data.htm），其中标记了几项内容，例如文档正文，图像区域，表区域，表标题等。该数据集专门用于文档图像分析研究目的。他们提到了所有以16位六进制十进制和小端格式的坐标。是否有人使用此数据集，以及如何将16位XY坐标转换为人类可以理解的格式？

Answer 1

如果有人像我一样尝试在Python 3中执行此操作，则只需更改其他答案的步骤2：

conv_pound = [struct.unpack('!d', bytes.fromhex(t))[0] for t in BBox]

Answer 2

凝视xmls一个小时后，我在@MMReza的答案中找到了最后缺失的部分：

您不需要依靠度量单位（第3步）。根元素“页面”有一个名为“ CropBox”的属性。使用那个来缩放坐标。我沿以下几行（这里也是y轴的倒数）：

px0, py1, px1, py0 = list(map(hex_to_double, page.get("CropBox").split()))
pw = abs(px1 - px0)
ph = abs(py1 - py0)

for table in page.findall(".//Composite[@Label='TableBody']"):
    x0p, y1m, x1p, y0m = list(map(hex_to_double, table.get("BBox").split()))
    x0 = round(imgw*(x0p - px0)/pw)
    x1 = round(imgw*(x1p - px0)/pw)
    y0 = round(imgh*(py1 - y0m)/ph)
    y1 = round(imgh*(py1 - y1m)/ph)

Answer 3

最后，经过分析后，我得到了线索，如果有人需要调查此数据集，则可以在此处发布。但是，他们提到了将单位坐标转换为像素值的单位值，但由于在手册/指南中未提及单位，因此很难找到。他们提到另一个地方作为注释。

首先，您必须使用IEEE 754 little endian格式转换其16个字符的十六进制值。例如，标签的给定坐标为

BBox = ['4074145c00000005'，'4074dd95999999a9'，'4080921e74bc6a80'，'406fb9999999999a']
使用python转换

conv_pound = struct.unpack（'！d'，str（t）.decode（'hex'））[0]）for BBox中的t]
您将获得以1/72英寸的“磅”为单位的值。我们通常以像素为单位使用坐标，我们知道1英寸为96像素。所以，

conv_pound = [321.2724609375003，333.8490234375009，530.2648710937501，253.8]

然后，将每个值除以72，再乘以96，最后得到对应的像素值，

in_pixel = [428.36328, 445.13203, 707.01983, 338.40000]

他们开始计算文档图像左下角的像素位置。如果从左上角考虑（通常以这种方式考虑），则必须从图像高度中减去第二和第四值。如果我们认为图像[height，width]为[1123，793]，则可以将上述坐标表示为整数值，

label_boundary = [428、678、707、785]

Answer 4

我想转换坐标，也想验证我的转换是否确实有效。因此，我制作了这个脚本来读取标签文件和相应的图像文件，然后提取表体的坐标（例如），并在图像上可视化它们。它可以用于以类似方式提取其他字段。评论说明了一切

import glob
import struct
import cv2
import binascii
import re

xml_files = glob.glob("path_to_labeled_files/*.xml")

for i in xml_files:
    # Open the current file and read everything
    cur_file = open(i,"r") 
    content = cur_file.read()

    # Find index of all occurrences of only needed portions (eg TableBody this case)
    residxs = [l.start() for l in re.finditer('Label="TableBody"', content)]

    # Read the image
    img = cv2.imread("path_to_images_folder/"+i.split('/')[-1][:-3]+"jpg")

    # Traverse over all occurences
    for r in residxs[:-1]:
        # List to store output points
        coords = []

        # Start index of an occurence
        sidx = r

        # Substring from whole file content
        substr = content[sidx:sidx+400]

        # Now find start index and end index of coordinates in this substring  
        sidx = substr.find('BBox="')
        eidx = substr.find('" CLIDs')

        # String containing only points
        points = substr[sidx+6:eidx]

        # Make the conversion (also take care of little and big endian in unpack)
        bins = ''
        for j in points.split(' '):
            if(j == ''):
                continue
            coords.append(struct.unpack('>d', binascii.unhexlify(j))[0])

        if len(coords) != 4:
            continue

        # As suggested by MMReza
        for k in range(4):
            coords[k] = (coords[k]/72)*96
        coords[1] = img.shape[0] - coords[1]
        coords[3] = img.shape[0] - coords[3] 

        # Print the extracted coordinates
        print(coords)

        # Visualize it on the image
        cv2.rectangle(img, (int(coords[0]),int(coords[1]))  , (int(coords[2]),int(coords[3])), (255, 0, 0), 2) 
        cv2.imshow("frame",img)
        cv2.waitKey(0)

有谁知道如何从Marmot数据集中提取图像坐标？

4 个答案: