有没有方法可以从PostScript文件中提取文本信息？（.ps .eps）

Question

我想从一个后处理图像文件中提取文本信息（也就是我坐标轴标签的说明）。这些图像是用pgplot生成的。我在Ubuntu上试过ps2ascii和ps2txt，但它们没有产生任何有用的结果。有没有人知道其他的方法？

谢谢

Answer 1

很可能pgplot是直接用线条画出文本的字体，而不是用文字来显示。尤其是因为pgplot是为了能在很多设备上输出而设计的，包括绘图仪，这种情况下你必须这样做。

补充说明：

如果你有足够多的图表，值得花时间去处理，那这其实是一个很简单的图像处理任务。你可以把每一页转换成像tiff这样的格式，使用单色模式，把图像处理成二进制格式，这样文本部分就会是最大像素值。

可以使用模板匹配的方法。如果你有一组有限的可能标签，那就直接匹配整个标签，甚至可以先用正确大小和角度的模板开始。然后只需标记每个图表包含标签[1-n]，不需要实际读取文本内容。

如果你不知道标签是什么，仍然可以相对简单地进行光学字符识别（OCR），只需提取坐标轴周围的区域，旋转它以适应竖直方向，然后使用谷歌的免费OCR库。

如果你有pgplot，甚至可以直接为OCR构建训练集或模板图像，而不必从图像列表中提取它们。