使用PIL检测空白页的扫描

Question

所以我经常在一个非智能的佳能多功能上运行巨大的双面扫描工作,这给我留下了一个巨大的JPEG文件夹.我是否疯狂考虑使用PIL分析图像文件夹以检测空白页的扫描并标记它们以进行删除？

离开文件夹爬行和标记部分,我想这看起来像:

• 检查图像是否为灰度,因为这被认为是不确定的.
• 如果是这样,请检测阴影的主要范围(背景颜色).
• 如果没有,检测主要的阴影范围,限制为浅灰色.
• 确定整个图像的百分比由所述阴影组成.
• 尝试找到能够充分检测带有类型或书写或图像的页面的阈值.
• 也许一次测试图像碎片以提高阈值的准确性.

我知道这是一个边缘情况,但任何有PIL经验的人都可以提供一些指示吗？

Answer 1

这是一种替代解决方案,使用mahotas和牛奶.

1. 通过创建两个目录开始:positives/和negatives/在那里你将手工挑选出几个例子.
2. 我将假设其余数据位于unlabeled/目录中
3. 计算所有图像的正面和负面的功能
4. 学习分类器
5. 在未标记的图像上使用该分类器

在下面的代码中,我使用了jug来为您提供在多个处理器上运行它的可能性,但如果删除提及的每一行,代码也可以工作TaskGenerator

from glob import glob
import mahotas
import mahotas.features
import milk
from jug import TaskGenerator


@TaskGenerator
def features_for(imname):
    img = mahotas.imread(imname)
    return mahotas.features.haralick(img).mean(0)

@TaskGenerator
def learn_model(features, labels):
    learner = milk.defaultclassifier()
    return learner.train(features, labels)

@TaskGenerator
def classify(model, features):
     return model.apply(features)

positives = glob('positives/*.jpg')
negatives = glob('negatives/*.jpg')
unlabeled = glob('unlabeled/*.jpg')


features = map(features_for, negatives + positives)
labels = [0] * len(negatives) + [1] * len(positives)

model = learn_model(features, labels)

labeled = [classify(model, features_for(u)) for u in unlabeled]

这使用纹理特征,这可能足够好,但mahotas.features如果您愿意(或尝试mahotas.surf,但这会变得更复杂),您可以使用其他功能.一般来说,我发现很难用你想要的那种硬阈值进行分类,除非扫描是非常有控制的.

Answer 2

就像第一次尝试一样，按文件大小对图像文件夹进行排序。如果来自一个文档的所有扫描具有相同的分辨率，则空白页肯定会导致比非空白页更小的文件。

我不知道您正在扫描多少页，但如果数量足够少，这可能是一个简单的快速修复。

Answer 3

需要考虑的一些非 PIL 特定建议：

印刷或书面材料的扫描件将具有大量高对比度的锐边；像中值滤波器（以减少噪音）之类的东西，然后进行某种简单的边缘检测，可能会很好地区分真实内容和空白页面。

一次测试片段很有用，不仅因为它可能会提高您的准确性，而且因为它可能会帮助您尽早放弃许多页面。想必您的大部分扫描件都不是空白的，因此您应该从简单的检查开始，通常会将非空白页识别为非空白页；只有当它说该页面可能是空白时，您才需要更仔细地查看。

如果照明或页面本身不均匀，您可能需要首先执行某种非常广泛的平滑操作image = image-filter(image)。filter这将减少识别主要色调的需要，以及当主要色调在整个页面上不太均匀时的应对方法。