如何区分照片和文字图像

Question

我正在写OCR识别程序。它适用于扫描文本，但有两个问题：

1. 它给照片带来误报（一些垃圾随机文字，如“bkigopes”）
2. 效果很慢

目标是找到包含文本的所有图像并提取此文本。所以，鉴于上述问题，我需要快速拒绝照片。我希望有一些数学（统计）方法，如计算一些中位数，这可以很容易地确定彩色图像，没有像扫描文本那样的任何明显结构。

这种方法/公式不应该被特殊类型的图像欺骗，例如带有大量文字和图片的屏幕截图或杂志页面的文字。此外，不应拒绝彩色文本（例如黄色的红色）。

有没有人遇到过这样的问题？任何想法或现成的解决方案？

Answer 1

我 在此领域没有任何先验知识/经验 ，但作为一个完整的猜测：

熵计算会起作用吗？

如果某些东西具有高熵，那么它很可能是一个图像;如果低，它可能更像文本。

希望有所帮助...

Answer 2

一般来说这是一项相当困难的任务。但是，根据您的特定应用，也许您可​​以对OCR程序的输入进行假设。

您提到了“扫描文本”。所以我假设这不适用于沿路的公告牌照片，需要识别风景背景中公告板上的文字。这意味着颜色范围较低，对比度较高。

另一方面，照片通常具有非常大范围的颜色，相邻像素之间的对比度相对较低。当然，考虑到许多摄影风格，这种假设很容易失效。

所以我认为你可以尝试的第一件事就是将图像转换为黑白（不是灰度）。然后看两种颜色的相对比例。我认为照片将比扫描文档更均匀地分割。你用来转换照片的算法应该能够抵抗异常值，所以使用某种中位数可能会很好地作为一个阈值。

Answer 3

首先，由于杂志页面是一个混合，你将找不到一种能够拍摄整个图像并做出决定的技术。将需要某种分段。如果是我，我会在水平和垂直方向上寻找显示低方差的像素带，然后使用它们将图像划分为网格。然后，您可以测试网格中的每个单元格并删除那些照片。

现在进行照片测试。像@ Mehrdad的熵方法一样，你可以尝试压缩这样的任务。不同的压缩算法的工作方式不同，但无损Lempel-Ziv-Welch风格或等效压缩算法应该压缩文本图像而不是照片。测量未压缩和压缩版本之间的大小差异可以很好地估计熵。毕竟，熵是衡量最佳可能无损压缩的指标。通过一些实证研究，这可以提供一种相当可靠的分类技术。