将文本图像分割为字符图像
我想把一张包含文字的图片分解成每个字母的单独图片。比如，像下面这个例子，我想最后得到14张图片。
因为我只会处理单行文字，所以字母的高度不太重要。我需要做的是找到每个字母的开始和结束位置，然后把它们裁剪到这些坐标。这样我就能避免处理像'i'、'j'这样的字母时出现的问题。
我对图像处理还很陌生，不太知道该怎么做。是不是需要某种边缘检测？有没有办法找出连续的同色区域？任何帮助都非常感谢。
我想提高我的Python技能，并熟悉一些可用的库，所以我正在使用Python图像库（PIL），同时也看了一下OpenCV。
示例图片：
6 个回答
你可以从一个简单的连通区域分析（CCA）算法开始，这个算法可以用一种叫做扫描线的方式高效实现（你只需要跟踪合并的区域，最后再重新标记）。这样，你就能为每个连续的区域分配一个独立的编号，通常这对大多数字母都有效（但不是全部）。接着，你可以简单地获取每个连通区域的边界框，这样就能得到每个字母的轮廓。为了提高效率，你甚至可以在应用CCA时保持边界框的更新。
所以在你的例子中，经过CCA处理后，最左边的第一个单词会得到类似这样的结果：
1111111 2 3
1 2
1 2 4444 5 666
1 22 4 5 6
1 2 4 5 666
1 2 4 5 6
1 2 4 5 666
这里的等价类是4=2。
然后每个区域的边界框就能给你字母周围的区域。对于像字母i和j这样的字母，你可能会遇到一些问题，但可以单独处理。你可以寻找一个小于某个大小的区域，这个区域位于另一个宽度特定的区域上方（这是一种粗略的启发式方法）。
OpenCV中的cvBlobsLib库应该能帮你完成大部分工作。
我知道我来得有点晚 :-) 不过现在你可以很简单地用ImageMagick在命令行上做这种事情，不需要编译任何东西，因为它内置了连通组件分析的功能：
这里有一种方法可以做到这一点：
#!/bin/bash
image="$1"
draw=$(convert $image \
-threshold 50% \
-define connected-components:verbose=true \
-define connected-components:area-threshold=10 \
-connected-components 8 \
-auto-level objects.png | \
awk 'BEGIN{command=""}
/\+0\+0/||/id:/{next}
{
geom=$2
gsub(/x/," ",geom)
gsub(/+/," ",geom)
split(geom,a," ")
d=sprintf("-draw \x27rectangle %d,%d %d,%d\x27 ",a[3],a[4],a[3]+a[1],a[4]+a[2])
command = command d
#printf "%d,%d %d,%d\n",a[3],a[4],a[3]+a[1],a[4]+a[2]
}
END{print command}')
eval convert "$image" -fill none -strokewidth 2 -stroke red $draw result.png
结果看起来是这样的：
首先，我把你的图片进行50%的阈值处理，这样图片里就只有纯黑和纯白，没有任何渐变色。接着，我告诉ImageMagick输出它找到的边界框的详细信息，并且我不想要小于10个像素总面积的物体。然后，我允许像素之间是8连通的，也就是说，它们可以和对角线的邻居（东北、 southeast、西北、西南）以及左右和上下的邻居相连。最后，我用awk来解析边界框的输出，并在边界框周围画上红线。
我用awk解析的初始命令的输出看起来是这样的：
Objects (id: bounding-box centroid area mean-color):
0: 539x53+0+0 263.7,24.3 20030 srgba(255,255,255,1)
11: 51x38+308+14 333.1,30.2 869 srgba(0,0,0,1)
13: 35x39+445+14 461.7,32.8 670 srgba(0,0,0,1)
12: 35x39+365+14 381.7,32.8 670 srgba(0,0,0,1)
2: 30x52+48+0 60.4,27.0 634 srgba(0,0,0,1)
1: 41x52+1+0 20.9,16.6 600 srgba(0,0,0,1)
8: 30x39+174+14 188.3,33.1 595 srgba(0,0,0,1)
7: 30x39+102+14 116.3,33.1 595 srgba(0,0,0,1)
9: 30x39+230+14 244.3,33.1 595 srgba(0,0,0,1)
10: 35x39+265+14 282.2,33.0 594 srgba(0,0,0,1)
16: 33x37+484+15 500.2,33.0 520 srgba(0,0,0,1)
17: 22x28+272+19 282.3,32.8 503 srgba(255,255,255,1)
5: 18x51+424+2 432.5,27.9 389 srgba(0,0,0,1)
6: 18x51+520+2 528.5,27.9 389 srgba(0,0,0,1)
15: 6x37+160+15 162.5,33.0 222 srgba(0,0,0,1)
14: 6x37+88+15 90.5,33.0 222 srgba(0,0,0,1)
18: 22x11+372+19 382.6,24.9 187 srgba(255,255,255,1)
19: 22x11+452+19 462.6,24.9 187 srgba(255,255,255,1)
3: 6x8+88+0 90.5,3.5 48 srgba(0,0,0,1)
4: 6x8+160+0 162.5,3.5 48 srgba(0,0,0,1)
而awk把它变成了这样：
convert http://imgur.com/AVW7A.png -fill none -strokewidth 2 -stroke red \
-draw 'rectangle 308,14 359,52' \
-draw 'rectangle 445,14 480,53' \
-draw 'rectangle 365,14 400,53' \
-draw 'rectangle 48,0 78,52' \
-draw 'rectangle 1,0 42,52' \
-draw 'rectangle 174,14 204,53' \
-draw 'rectangle 102,14 132,53' \
-draw 'rectangle 230,14 260,53' \
-draw 'rectangle 265,14 300,53' \
-draw 'rectangle 484,15 517,52' \
-draw 'rectangle 272,19 294,47' \
-draw 'rectangle 424,2 442,53' \
-draw 'rectangle 520,2 538,53' \
-draw 'rectangle 160,15 166,52' \
-draw 'rectangle 88,15 94,52' \
-draw 'rectangle 372,19 394,30' \
-draw 'rectangle 452,19 474,30' \
-draw 'rectangle 88,0 94,8' \
-draw 'rectangle 160,0 166,8' result.png
这并不是一件简单的事情，尤其是当背景不均匀的时候。如果你手上的图像已经是二值图像，比如例子中的那种，那就稍微简单一些。
如果你的图像不是二值的，可以先应用一个阈值算法（Otsu自适应阈值效果不错）。
接下来，你可以使用一个标记算法来识别每个像素的“岛”，这些“岛”就是你要找的形状（在这个例子中是每个字符）。
问题在于噪音的存在。有些形状被标记了，但并不是你想要的。在这种情况下，你可以使用一些经验法则来判断一个形状是否是字符（比如可以用标准化的面积、物体的位置，如果你的文本在一个明确的位置等等）。如果这些方法不够，你就需要处理更复杂的东西，比如形状特征提取算法和某种模式识别算法，比如多层感知器。
最后，这看起来是个简单的任务，但根据你图像的质量，可能会变得更困难。这里提到的算法可以在网上轻松找到，或者在一些库中实现，比如OpenCv。
如果还有其他问题，随时问我，如果我能帮上忙的话；)