我正在根据历史记录创建一个数据库，这些记录是我从书中拍摄的页面(+100K 页)。在对每个页面进行 OCR 之前，我编写了一些 python 代码来进行一些图像处理。由于这些书中的数据没有以格式良好的表格形式出现，我需要将每一页分成行和列，然后分别对每一部分进行 OCR。
其中一个关键步骤是对齐图像中的文本。
例如，这是一个需要对齐的典型页面:
我找到的一个解决方案是水平涂抹文本(我使用的是 skimage.ndimage.morphology.binary_dilation)并找到使水平维度上的白色像素总和最大化的旋转。
这工作正常，但每页大约需要 8 秒，考虑到我正在处理的页面量，这太多了。
您是否知道更好、更快地完成文本对齐的方法？
我使用 scikit-image 实现图像处理功能，使用 scipy 最大化水平轴上的白色像素数。
这是我以前处理此问题的 Jupyter notebook 的 html View 的链接。该代码使用了我为该项目编写的模块中的一些函数，因此它不能单独运行。
笔记本链接(保管箱):https://db.tt/Mls9Tk8s
这是原始原始图像(投递箱)的链接:https://db.tt/1t9kAt0z
最佳答案
前言:我没有用python做过多少图像处理。我可以给你一个图像处理的建议，但你必须自己用 Python 实现它。您只需要一个 FFT 和一个极坐标变换(我认为 OpenCV 有一个 in-built function for that )，所以这应该很简单。
您只发布了一张示例图片，所以我不知道这是否适用于其他图片，但对于这张图片，傅立叶变换可能非常有用:只需将图片填充为 2 的很好的幂(例如 2048x2048)，你会得到这样的傅立叶频谱:
我发布了傅里叶变换的直观解释 here ，但简而言之:您的图像可以表示为一系列正弦/余弦波，并且大多数“波”与文档方向平行或垂直。这就是为什么您会在大约 0°、90°、180° 和 270° 看到强烈的频率响应。要测量准确的角度，您可以对傅立叶光谱进行极坐标变换:
然后简单地取列均值:
该图中的峰值位置在 90.835°，如果我将图像旋转 -90.835 模 90，方向看起来不错:
就像我说的，我没有更多的测试图像，但它适用于图像的旋转版本。至少它应该缩小搜索空间以使用更昂贵的搜索方法。
注1:FFT速度很快，但对于较大的图像显然需要更多时间。遗憾的是，获得更好角度分辨率的最佳方法是使用更大的输入图像(即在源图像周围使用更多的白色填充。)
注意 2:FFT 实际上返回一个图像，其中“DC”(上面频谱图像的中心)位于原点 0/0。但是如果你把它移动到中心，旋转属性会更清楚，并且它使极坐标变换更容易，所以我只展示了移动的版本。
关于python - 为 OCR 对齐文本，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/33698068/
关闭。这个问题是opinion-based.它目前不接受答案。想要改进这个问题？更新问题，以便editingthispost可以用事实和引用来回答它.关闭4年前。Improvethisquestion我想在固定时间创建一系列低音和高音调的哔哔声。例如:在150毫秒时发出高音调的蜂鸣声在151毫秒时发出低音调的蜂鸣声200毫秒时发出低音调的蜂鸣声250毫秒的高音调蜂鸣声有没有办法在Ruby或Python中做到这一点？我真的不在乎输出编码是什么(.wav、.mp3、.ogg等等)，但我确实想创建一个输出文件。
我想将html转换为纯文本。不过，我不想只删除标签，我想智能地保留尽可能多的格式。为插入换行符标签，检测段落并格式化它们等。输入非常简单，通常是格式良好的html(不是整个文档，只是一堆内容，通常没有anchor或图像)。我可以将几个正则表达式放在一起，让我达到80%，但我认为可能有一些现有的解决方案更智能。 最佳答案 首先，不要尝试为此使用正则表达式。很有可能你会想出一个脆弱/脆弱的解决方案，它会随着HTML的变化而崩溃，或者很难管理和维护。您可以使用Nokogiri快速解析HTML并提取文本:require'nokogiri'h
这个问题在这里已经有了答案:关闭10年前。PossibleDuplicate:Pythonconditionalassignmentoperator对于这样一个简单的问题表示歉意，但是谷歌搜索||=并不是很有帮助；)Python中是否有与Ruby和Perl中的||=语句等效的语句？例如:foo="hey"foo||="what"#assignfooifit'sundefined#fooisstill"hey"bar||="yeah"#baris"yeah"另外，类似这样的东西的通用术语是什么？条件分配是我的第一个猜测，但Wikipediapage跟我想的不太一样。
什么是ruby的rack或python的Java的wsgi？还有一个路由库。 最佳答案 来自Python标准PEP333:Bycontrast,althoughJavahasjustasmanywebapplicationframeworksavailable,Java's"servlet"APImakesitpossibleforapplicationswrittenwithanyJavawebapplicationframeworktoruninanywebserverthatsupportstheservletAPI.ht
华为OD机试题本篇题目：明明的随机数题目输入描述输出描述：示例1输入输出说明代码编写思路最近更新的博客华为od2023|什么是华为od，od薪资待遇，od机试题清单华为OD机试真题大全，用Python解华为机试题|机试宝典【华为OD机试】全流程解析+经验分享,题型分享,防作弊指南华为o
我想解析一个已经存在的.mid文件，改变它的乐器，例如从“acousticgrandpiano”到“violin”，然后将它保存回去或作为另一个.mid文件。根据我在文档中看到的内容，该乐器通过program_change或patch_change指令进行了更改，但我找不到任何在已经存在的MIDI文件中执行此操作的库.他们似乎都只支持从头开始创建的MIDI文件。 最佳答案 MIDIpackage会为您完成此操作，但具体方法取决于midi文件的原始内容。一个MIDI文件由一个或多个音轨组成，每个音轨是十六个channel中任何一个上的
本文主要介绍在使用Selenium进行自动化测试或者任务时，对于使用了iframe的页面，如何定位iframe中的元素文章目录场景描述解决方案具体代码场景描述当我们在使用Selenium进行自动化测试的时候，可能会遇到一些界面或者窗体是使用HTML的iframe标签进行承载的。对于iframe中的标签，如果直接查找是无法找到的，会抛出没有找到元素的异常。比如近在咫尺的例子就是，CSDN的登录窗体就是使用的iframe，大家可以尝试通过F12开发者模式查看到的tag_name,class_name,id或者xpath来定位中的页面元素，会抛出NoSuchElementException异常。解决
2022/8/4更新支持加入水印水印必须包含透明图像，并且水印图像大小要等于原图像的大小pythonconvert_image_to_video.py-f30-mwatermark.pngim_dirout.mkv2022/6/21更新让命令行参数更加易用新的命令行使用方法pythonconvert_image_to_video.py-f30im_dirout.mkvFFMPEG命令行转换一组JPG图像到视频时，是将这组图像视为MJPG流。我需要转换一组PNG图像到视频，FFMPEG就不认了。pyav内置了ffmpeg库，不需要系统带有ffmpeg工具因此我使用ffmpeg的python包装p
ValidPalindromeGivenastring,determineifitisapalindrome,consideringonlyalphanumericcharactersandignoringcases. [#125]Example:"Aman,aplan,acanal:Panama"isapalindrome."raceacar"isnotapalindrome.Haveyouconsiderthatthestringmightbeempty?Thisisagoodquestiontoaskduringaninterview.Forthepurposeofthisproblem
是否可以在PyYAML或Ruby的Psych引擎中禁用创建anchor和引用(并有效地显式列出冗余数据)？也许我在网上搜索时遗漏了一些东西，但在Psych中似乎没有太多可用的选项，而且我也无法确定PyYAML是否允许这样做.基本原理是我必须序列化一些数据并将其以可读的形式传递给一个不是真正的技术同事进行手动验证。有些数据是多余的，但我需要以最明确的方式列出它们以提高可读性(anchor和引用是提高效率的好概念，但不是人类可读性)。Ruby和Python是我选择的工具，但如果有其他一些相当简单的方法来“展开”YAML文档，它可能就可以了。 最佳答案
