图像处理/超轻OCR

Question

我有55000个图像文件(JPG和TIFF格式),这些图像来自一本书.

每个页面的结构是这样的:

一些文字

---(水平线)---

一个号码

一些文字

---(水平线)---

另一个号码

一些文字

在任何给定页面上可以有0到4条水平线.

我需要找到数字,在水平线下方.

但是,数字严格遵循,从第一页开始,所以为了找到数字,我不需要阅读它:我只能检测水平线的存在,这应该比更容易和更安全.试图OCR页面来检测数字.

该算法基本上是:

for each image
  count horizontal lines
  print image name, number of horizontal lines
  next image

问题是:什么是最好的图像库/语言来做"计数水平线"部分？

Answer 1

检测行的最简单方法可能是在OpenCV中使用Hough变换(它有许多语言的包装器).

OpenCV Hough变换将检测图像中的所有线并返回它们的角度和开始/停止坐标.你应该只保留角度接近水平且长度足够的那些.

O'Reilly的学习OpenCV 详细解释了该功能的输入和输出(第156页).