Как распознать текст на изображении?

Question

[Tirend]

Необходимо написать две программы.
Первая программа обрабатывает поступающие на сервер изображения и выделяет из них те картинки, на которых имеются надписи.
Вторая программа обрабатывает поступающие на сервер изображения и выделяет из них те картинки, на которых имеется печать.
Имею достаточно скудные знания в этой тематике, поэтому не знаю с чего начать и в каком направлении необходимо двигаться. Уровень программирования на языках низкого и высоко уровня для ПК высокий.
Подскажите пожалуйста, с чего мне начать и в каком направлении затем двигаться?

Comments

[Everything_is_not_so_bad]

Приведите пример картинок, пожалуйста. Достаточно ли определения факта наличия объекта на изображении (да/нет) или нужно определить содержание и свойства объектов на нём?
goo.gl/IxuJi1 - всё ли на таком изображении должно быть распознанным?

Answer 1

[Everything_is_not_so_bad]

Распознавание объектов на изображении есть непростая тема. Нужно не столько уметь программировать, сколько иметь знания в разных областях математики.
На Хабре есть хорошая серия лекций от Яндекса и одна из них посвящена вашей теме:
Анализ изображений и видео. Обнаружение текста на ...
Хотя порой проще определять наличие объекта, чем морфологию объектов на нём.
Если автор уточнит детали, то можно дать более подробное объяснение.

Добавлено

надо просто отбирать картики с текстом и печатями. распознавать текст не надо. не важно даже какой язык. главное отсеить мусор и оставить документы

Поскольку распознавать текст (OCR) не требуется, то это наверно ближе к теме Поиск изображений по содержанию (CBIR)
Кластеризация изображений без учёта объектов на них должна быть проще задачи распознавания текста.

Почитайте этот документ в почитайте материал в целом с сайта courses.graphicon.ru .

В целом, ваша задача сводится к следующему:

1. собрать минимальную выборку всяких изображений (для начала штук 50)
   
2. вручную классифицировать что нужно отсеять а что оставить
   
3. алгоритм должен уметь извлекать из изображений вектор (набор) некоторых метрик
   
4. занести полезную составляющую (необходимую для классификации) в "словарь".
   
5. каждое изображение сопоставлять со "словарём" и принимать решение об отсеивании
   
6. прогнать алгоритм на малой базе изображений, проверив слабые места
   
7. улучшить алгоритм и проверить снова на большей выборке
   

Comments

[Tirend]

мне как раз надо только выделить изображения с текстом, без распознавания
идея следующая: на сервер поступают изображения формата jpg, разные, трафик с интернета, фото, машины, кадры из фильмов, скрины из игр, девочки и т.д. в том числе какие то текстовые документы - с почты или сканы договоров не важно - документы. вот из всего что я перечислил мне надо просто отбирать картики с текстом и печатями. распознавать текст не надо. не важно даже какой язык. главное отсеить мусор и оставить документы

[Everything_is_not_so_bad]

Tirend: То, о чём вы пишете, называется не распознаванием, а кластеризацией/классификацией изображений (отнесение к той или иной группе).
Что для вас вообще является документом? Белый лист с каким-то текстом? Чертёж? Лист с таблицами и диаграммами?
Вот если взять любые картинки из серии "демотиватор", то и на них можно увидеть текст-надпись. Такое алгоритм должен отсеять или оставить?

[Tirend]

Роман: меня интересуют деловые документы. короткая предыстория такова: факс аппаратами пользуются все реже и реже, многие фирмы предпочитают сканированные документы отправлять почтой. естественно, что документы бывают разных форматов с разными шрифтами и формами. мне надо их. но задача минимум отсеивать картинки без текста.

[Tirend]

Роман: т.е. если совсем кратко: есть множество изображений jpg, для примера можете заснифить трафик на своем компе - уверен там будет много картинок. из них надо взять те, что с текстом. дело в том что 99% картинок просто лажа и 1% это какие то документы. надо отсеять как можно больше мусорных картинок

[Everything_is_not_so_bad]

Tirend: Отсеивать картинки без текста будет нелегко. Просмотрите мой дополненный ответ, данный ранее выше. Из готовых решений стоит обратить внимание на крутую библиотеку OpenCV (CV - Computer Vision, по-русски термин "компьютерное зрение").
Почитайте на тему "Text detection in natural images/scenes". www.mathworks.com/help/vision/examples/automatical...
https://github.com/Itseez/opencv_contrib/blob/mast...
В целом, ищите примеры вокруг этой библиотеки. Так вы быстрее всего добьётесь значимых результатов. В дальнейшем вам лучше задавать более точные вопросы.

[Everything_is_not_so_bad]

Tirend: вот вам ещё пример: stackoverflow.com/questions/23506105/extracting-te...

[Everything_is_not_so_bad]

Tirend: Подумал ещё и появилась идея. Неприятно будет если нужный документ будет отсеян. А вероятность этого случая выше из-за сложности определения что является документом. Исходя из описания задачи, нужно идти от обратного: определять, не является ли изображение реалистичным (похоже на фото по признакам). В худшем случае не сумеем отсеять мусор.
Для фотографии характерно наличие большего количества полутонов в спектре цветности (chromaticity), мне так думается. Остаётся экспериментально подобрать порог срабатывания.

[Tirend]

Роман: спасибо буду искать дальше

[Everything_is_not_so_bad]

Tirend Интересно узнать: как успехи, какие трудности?