将有角度的文本 OCR 合并为线条
Ale*_* R. 5 algorithm ocr text
我有一个输出单词级检测的文本框检测算法。这是一个例子：
因此，输出是表单中的框列表，(x1_i,y1_i,x2_i,y2_i)指示左下角和右上角坐标。我想找到一个简单的、体面的基线算法来将这些框合并成行。所以期望的输出是：
["Hey how are you?" , "I'm great!"]
我见过一些与此类似的问题，但它们主要是关于直接（单向）文本，例如： 将附近的边界框合并为一个
我对此的想法是从每个盒子的质心计算向量，然后根据接近度和接近相同的方向进行盒子的合并。我想知道是否已经有这样的算法？我想尝试解决的极端情况是：
多角度的文字。
不重叠的盒子（比如[我][太棒了！]的盒子）。
以不同角度交叉文本（如上面的两行）。
我想找到一个使用 python 的快速简单的基线算法。
这是我能想到的符合您标准的最简单的算法。
定义一个函数，反映 中 的单词先于 中的单词score(b1, b2)的可能性，分数越低越好（例如，意味着 的右边缘与 的左边缘相同）。对于每个框，定义为框最小化，并定义为框最小化。在边界框上用弧线形成图形，使得和。该图是一些简单路径的不相交并集。这些是你的台词。b1b20b1b2bpred(b)b'score(b', b)succ(b)b'score(b, b')b->b'succ(b) = b'pred(b') = b
我不知道定义 的最佳方法score，但一种可能性是定义score(b1, b2) = f(distance(midpoint of b1's right side, midpoint of b2's right side) / max(b1's height, b2's height)) + g(angular distance(b1's angle, b2's angle))，其中f和是递增函数（我会从和g开始进行线性实验）。fg
编辑：单词边界框算法可能只能为您提供可靠的模半旋转方向。在这种情况下，定义score为当两个框更有可能先于/后于彼此时它较低，形成一个有向图，其中每个框都有一条弧线连接到得分最低的两个框，丢弃弧线没有倒数弧，形成一个无向图，每个弧对都有一条边。后一个图由路径和循环的不相交并集组成。你必须弄清楚如何处理循环以及如何确定路径的方向。