从OCR文本中提取段落分隔符？

Question

我正在尝试从OCR处理过的图像文本输出中重新创建段落和缩进，如下所示:

输入（想象一下这是一张图像，而不是打字）：

输出（存在一些错误）:

正如您所见，没有保留任何段落换行或缩进。

使用Python，我尝试了以下方法，但它不起作用（失败率过高）:

代码:

def smart_format(text):
  textList = text.split('\n')
  temp = ''

  averageLL = sum([len(line) for line in textList]) / len(textList)

  for line in textList:
    if (line.strip().endswith('!') or line.strip().endswith('.') or line.strip().endswith('?')) and not line.strip().endswith('-'):
      if averageLL - len(line) > 7:
        temp += '{{ paragraph }}' + line + '\n'
      else:
        temp += line + '\n'
    else:
      temp += line + '\n'

  return temp.replace(' -\n', '').replace('-\n', '').replace(' \n', '').replace('\n', ' ').replace('{{ paragraph }}', '\n\n      ')

有人有关于如何重新创建这种布局的建议吗？我正在处理旧书，所以希望能够使用LaTeX重新排版它们，因为可以轻松创建Python脚本来完成这项工作。

谢谢！

- Blender

---

请澄清一下，您是只查看文本输出并猜测段落应该在哪里分开吗？还是还有其他的问题？ - Mu Mind

我有源图像文件，但只使用输出的文本文件会更好。我正试图实现下面 @Nick ODell 的答案，但我的OpenCV技能非常生疏... - Blender

这难道是在段落的最后一行而不是之后插入段落分隔符吗？ - Mu Mind

什么软件正在进行OCR（光学字符识别）？有些软件可以配置以提供换行。 - dkretz

@Mu Mind，看起来好像出了问题（捂脸）。让我们再试一次运行这个程序…… - Blender

@le dorfier 我正在使用几周前从 SVN 编译的 tesseract。它是唯一免费且能够产生良好结果（对于英文文本几乎完美）的 OCR 引擎。似乎有一些文档分析在进行，但我不知道它是否能够满足我的需求... - Blender

Answer 1

您可以通过查看每个5-10像素水平切片的熵来将图像分成多个段落。虽然这通常用于从较大的图像或视频创建“有趣”的缩略图，但您也可以使用它来识别文本的存在或不存在。以下是方法。

您将图像分成一堆水平条带，每个条带高度为5-10像素。如果一个条带不是“繁忙”的，则可以假定那里没有文本。您可以使用此方法来隔离段落。现在，您单独取出每个段落，并将其输入到OCR中。

- Nick ODell

---

哦，那很酷。我会尝试做到这一点。我希望有一种不需要拆分图像的方法来完成这个操作，但如果它有效，那就可以了。 - Blender

最终，我做成了这个。由于行高几乎是恒定的，我扫描了每一行的熵（6000像素大约需要10秒），提取了行高，并从那里扫描像素条。谢谢！ - Blender

没问题。很高兴知道你已经解决了你的问题。 - Nick ODell

链接已经失效了。不过，熵听起来像是我正在寻找的tesseract，所以谢谢。 - Pogrindis

@Pogrindis感谢您提供的信息，链接已修复。 - Nick ODell

不错，就我而言，我在使用tesseract时遇到了一些困难，所以只使用了cv2，使用采样并调整阈值。也许通过学习，它会识别得更好，但是你分割它的想法优化了处理过程，所以如果可以的话，我会给你双倍积分。 - Pogrindis

Answer 2

你可以尝试判断一行的第一个单词是否可以轻松地放在前一行，表明这是有意的换行，而不仅仅是寻找短行。除此之外（并且像你在例子中所做的那样密切关注标点符号），我认为唯一的其他选择是返回原始图像。

- Mu Mind