问图像识别:一个框和随机放置的文本

EN

这是我们感兴趣的。我假设你的输入是一个有效的位图-一个矩形的像素矩阵。第一个问题是它是否与轴对齐-如果它被扫描过，可能就不是。你可能需要去偏斜算法(虽然已经过时了，但这是一个有用的开始：http://www.eecs.berkeley.edu/~fateman/kathey/node11.html)

经典的直线检测是霍夫变换(http://en.wikipedia.org/wiki/Hough_transform)，尽管我们目前的合作者在简单的盒子上做得比这更好，并将像素投影到不同的视点-类似于断层扫描。旋转图像并计算投影线上点的密度/直方图。对于给出清晰信号的简单盒子。

对于文本，我怀疑你要么有一组可能的字体，要么使用机器学习。在后者中，你必须设计特征，然后选择一系列图像，这些图像被人类分类为文本和非文本。你的算法(有很多，神经网络，最大熵，等等)然后针对这些进行训练。

像素映射的质量有很大的不同。20年前的文档，比通过绘图程序创建并转储为PDF的文档的位图要难得多(当然，如果您能解释PDF中的文本，这将有很大帮助)。

您可以对检测框应用任何边界检测算法。由于文本的颜色与背景的颜色不同，您甚至可以使用线性搜索来找到“文本”的黑色像素。我可能错了，很抱歉。

一个非常简单的算法是从左到右和从上到下扫描，寻找组成盒子左上角的三个黑色像素(然后继续扫描组成匹配右下角的三个像素)。一旦您以这种方式识别了图像中的每个方框，您就可以扫描图像的内部部分，并假设任何非白色像素都意味着方框中有一些文本。当然，这不会区分框中的文本和图像，但这将是一个困难得多的问题。