Page dewarp

Утилита для устранения геометрического искривления плоскости оцифрованных страниц.



Page dewarp (page_dewarp) — консольная Python утилита для устранения геометрического искривления (деформации/перекоса) плоскости оцифрованных страниц. Работа утилиты основана на некоторых возможностях библиотеки OpenCV.



OpenCV (Open Source Computer Vision Library) — свободная библиотека алгоритмов компьютерного зрения (обнаружение, отслеживание и классификация объектов), обработки изображений и численных алгоритмов общего назначения.



Большинство современных систем распознавания текста (OCR / Optical Character Recognition) ориентированы на работу с прямыми горизонтальными строками, поэтому качество распознавания напрямую зависит от качества самого распознаваемого изображения. Одним из существенных факторов влияющих на качество изображений является деформация строк текста на изображении возникающее в результате особенностей съёмки (сканирования).



При сканировании толстых книг деформация выражается в искажениях строк по загибанию их краёв вблизи сгиба (в области корешка), это особенно заметно если для получения изображений вместо сканера используются цифровые камеры (добавляются искажения оптики). На одном изображении могут сочетаться несколько деформаций, что значительно усложняет построение точной модели искривления страницы.



Для систем распознавания текста устранение геометрического искривления плоскости объекта оцифровки необходимо решать ещё на этапе пост-обработки (оптимизации), известно несколько решений задачи распрямления деформированных строк сканированного документа. page_dewarp использует собственный алгоритм по коррекции изгиба страниц, основанный на параметрической модели определения параметров внешнего вида страницы.



page_dewarp прост в использовании, сканированные изображения формата JPEG оптимизируются и преобразуются в изображения формата PNG (исходные изображения остаются без изменений). При преобразовании выводятся подробности процесса, опционально изображения могут объединятся в PDF документ (используется ImageMagick), например:

page_dewarp *.jpg -o output.pdf

На сайте проекта имеется подробное описание используемого алгоритма/метода оптимизации (на английском) и доступны "тестовые" изображения (используемые как примеры в документации).



Лицензия: MLT (The MIT License)



Домашняя страница

Страница на github.com