文档布局分析 & 扭曲文档图像恢复 --- Document Layout Analysis & Document Image Dewarping
0x00
对文本进行OCR前,必须分析和定义文档的逻辑结构。 例如文本块、段落、行的位置;是否有应该重建的表格;是否有“图像”“条形码等”。
文档布局分析 (Document Layout Analysis) 是识别和分类文本文档的扫描图像中的感兴趣区域(RoI, Regions of Interest) 的过程。阅读系统需要从非文本区域分割文本区域,并按正确的阅读顺序排列。将文本正文,插图,数学符号和嵌入文档中的表格等不同区域(或块)的检测和标记称为几何布局分析。但文本区域在文档中扮演不同的逻辑角色(标题,标题,脚注等),这种语义标记是逻辑布局分析的范围。
文档布局分析是几何和逻辑标签的结合。它通常在将文档图像发送到OCR引擎之前执行,但也可用于检测大型存档中同一文档的重复副本,或者通过其结构或图示内容索引文档。
0x01 最早的算法实现 docstrum
1993年,O’ Gorman 在TPAMI中发表了自下而上的文档布局分析算法docstrum
,首先将文档解析为黑白连接区域,然后将这些区域分组为单词,然后分为文本行,最后分组为文本块。
简单翻译了一下它的算法(english version):
算法开始的字母代表着原始论文中每小节的标题序号。原始论文中,每个小节的标题如下:
- B. Preprocessing
- C. Nearest-Neighbor Clustering and Docstrum Plot
- D. Spacing and Initial Orientation Estimation
- E. Determination of Text Lines and Accurate Orientation Measurement
- F. Structural Block Determination
- G. Filtering
- H. Global and Local Lay-out Analysis
B
预处理图像以去除高斯噪声和椒盐噪声。(某些噪声消除滤波器可能会将逗号和句号视为噪声,因此必须小心谨慎)B
将图像二值化B
将图像分割为黑色像素的连通分量(下文称 Symbol)。对于每个Symbol,计算边框和质心(bounding box, centroid)。C
对于每个Symbol,确定其k近邻,且k>=4。( O’Gorman在他的论文中建议将k = 5作为鲁棒性和速度之间的良好折衷。使用至少k = 4的原因是对于文档中的符号,两个或三个最接近的符号是在相同文本行上紧邻的那些符号。第四最近的符号通常在正上方或下方的一条线上,并且在下面的最近邻居计算中包括这些符号是很重要的。)C
每个Symbol的近邻对与两者质心的向量相关。如果为每对最近邻Symbol绘制这些向量,则可以得到文档的docstrum(下图)。通过来自水平的角度θ和两个最近邻居符号之间的距离D,创建最近邻角和最近邻距离直方图。D
使用最近邻角度直方图,可以计算文档的歪斜。如果歪斜较小,则继续下一步。如果不是,旋转图像以消除歪斜并返回步骤3。D
最近邻距离直方图具有若干峰值,并且这些峰值通常表示字符间间距,字间间距和行间间隔(between-character, between-word, between-line)。D
标记每个Symbol较远的邻居,该距离在between-character或between-word的某个容差内。对于标记的每个最近邻居符号,绘制连接其质心的线段。E
通过线段连接到其邻居的符号形成文本行。对于文本行中的所有质心,可以使用线性回归计算表示文本行的实际线段。(使用线性回归,是因为文本行中Symbol的所有质心都不太可能是共线的。)F
对于每对文本行,可以计算它们对应的线段之间的最小距离。如果该距离在步骤7中计算的行间间隔的某个容差内,则将两个文本行分组到相同的文本块中。- 最后,可以为每个文本块计算边界框,并完成文档布局分析。
0x02 实验
1. 两个开源代码
https://github.com/chadoliver/cosc428-structor 复现了docstrum
https://github.com/chulwoopack/docstrum 对前一个开源代码进行了优化
2. 复现
上面两段开源代码比较古老且有点乱,基于最新的opencv应该可以很快的复现docstrum
0x03 进展
没来得及看的一些文章
60多页
Cattoni, Roldano, et al. “Geometric layout analysis techniques for document image understanding: a review.” ITC-irst Technical Report 9703.09 (1998).[IJDAR 2013] Bukhari, S. S., Shafait, F., & Breuel, T. M. Coupled snakelets for curled text-line segmentation from warped document images
[TPAMI 2008] Shafait, F., Keysers, D., & Breuel, T. Performance evaluation and benchmarking of six-page segmentation algorithms
ICIAR 2014 Kassis, M., Kurar, B., Cohen, R., El-Sana, J., & Kedem, K. Using Scale-Space Anisotropic Smoothing for Text Line Extraction in Historical Documents.
DAS 2012 Afzal, M. Z., Kramer, M., Bukhari, S. S., Shafait, F., & Breuel, T. M. Improvements to uncalibrated feature-based stereo matching for document images by using text-line segmentation
ICDAR 2013Bukhari, S. S., Shafait, F., & Breuel, T. M. (2013, August). Towards generic text-line extraction.
0x04 Document Dewarping
- 数据集[CBDAR 2007 dataset]
- [CBDAR 2007] Fu, Bin, et al. “A model-based book dewarping method using text line detection.”
CTM 方法,有一个非官方实现[github] [blog] - [TPAMI 2012] Meng et al. 2011, Metric rectification of curved document images
- [PR 2015] Kim et al. 2015, Document dewarping via text-line based optimization
有个同学了复现上面两个算法[github,我暂时跑不通 - [ICDAR 2017] Robust Document Image Dewarping Method Using Text-Lines and Line Segments
应该是最新的,作者提供了[二进制文件],没有源码,据说比2015年Kim的算法好很多 - [CVPR 2018] DocUNet. A state-of-the-art work from face++ probably, but no source code.
- Leptonica,很好的库,注释比代码都多。它的dewarping代码貌似是基于textlines的
Python 中使用 tesseract-ocr leptonica [github] [blog]
0xFF 开源框架
- scantailor
比较古老
可以将拍照的书页自动转换为无卷曲的扫描书页
- leptonica 一个古老又顽强的库
被Tesseract、OpenCV、jbig2enc依赖
,官方有很多例子演示它好玩的算法
OCRopus – A free document layout analysis and OCR system, implemented in C++ and Python and for FreeBSD, Linux, and Mac OS X. This software supports a plug-in architecture which allows the user to select from a variety of different document layout analysis and OCR algorithms.
OCRFeeder – An OCR suite for Linux, written in python, which also supports document layout analysis. This software is actively being developed, and is free and open-source.