Как обработать изображение к EasyOCR и удалить на нем шумы, python?

Question

[glu-dimaz]

Стала задача Парсинга японских сертификатов на экспорт автомобилей, а именно - необходимо вытаскивать с документов в формате .pdf - вин номер авто и его габариты. Сначала пытался реализовать данную задачу с помощью Tesseract, но в конечном итоге - отказался от него в пользу EasyOCR.

В общем, так как документ большой 2700 х 1900 , и нам не важно его содержимое, по мимо 5 ячеек в таблице - я подобрал +- координаты областей, в которых расположен необходимый текст. Путем ловких манипуляций, обрезки, финальной подгонки и регулировки яркости и контрастности - получилось.

Но, после пошли в ход - черно-белые сканы, с большим количеством шумов. После обрезки по необходимым областям, картинка была следующая:



Как победить эти шумы? Есть ли аналоги EasyOCR, которые будут читать текст не смотря на этот шум.

Comments

[Алексей Черемисин]

Рекомендую книжку "Цифровая обработка изображений. Вудс Гонсалес".
Простой пороговый фильтр должен помочь.
Берем точку и квадратик вокруг нее и считаем плотность, если плотность не превышает некий порог, точку зануляем.

[U235U235]

Алексей Черемисин, книжка хороша, но то что вы описали это не пороговый фильтр, а скорее медианный.
Как вариант, можно бинаризировать, сделать анализ связных компонент и отфильтровать все, что меньше заданого значения по площади.
p.s. я бы еще предварительно апскейл сделал в 2 раза, т.к. разрешение низкое.

[Алексей Черемисин]

U235U235, да, Вы правы. Уж давно всем этим не занимался.
Бинаризация как раз в тему была бы.
1) построить гистограмму
2) найти 95 перцентиль
3) отбросить все что меньше и не влезло и тут же бинаризировать по этому значению
4) ну а здесь уже можно и фильтрануть

В принципе все это должно бьыть в PIL

[Steel_Balls]

U235U235, медианный фильтр, как и JPEG плохо работает на полутоновом изображении с резкими границами (текст, графики, чертежи...)

Answer 1

[Steel_Balls]

Устранение шумов можно попробовать вариацией применения нескольких фильтров: Превитта, Собеля, Лапласа, Гаусса, эрозией/диляцией. Так же можно попробовать FFT (Быстрое Фурье Преобразование).
Довольно мощный опенсорсный OCR - TesseractOCR https://github.com/tesseract-ocr/tesseract

Comments

[d'Ivan]

Сначала пытался реализовать данную задачу с помощью Tesseract, но в конечном итоге - отказался от него в пользу EasyOCR.

[Steel_Balls]

Everything_is_not_so_bad, извиняюсь. Пропустил этот момент