使用PIL檢測空白頁的掃描

Question

因此，我經常在非智能佳能多功能上運行巨大的雙面掃描作業，這使我留下了一個巨大的JPEG文件夾。我瘋了考慮使用PIL分析圖像文件夾來檢測空白頁的掃描並將其標記爲刪除嗎？

留下的文件夾爬行和標記部分出來，我想這將是這個樣子：

• 檢查如果圖像是灰度，因爲這是假定不確定的。
• 如果是這樣，檢測陰影的主要範圍（背景顏色）。
• 如果不是，檢測陰影的主要範圍，限制爲淺灰色。
• 確定整個圖像由所述陰影組成的百分比。
• 嘗試找到充分檢測具有類型或書寫或圖像的頁面的閾值。
• 也許一次測試圖像的碎片以提高閾值的準確性。

我知道這是一種邊緣情況，但任何有PIL經驗的人都可以借用一些指示嗎？

Answer 1

的幾個非PIL-具體建議考慮：

印刷或書寫材料的

掃描將有很多高對比度尖銳邊緣;像中值濾波器（以減少噪聲），然後進行某種簡單的邊緣檢測，可能會很好地區分真實內容和空白頁面。

一次測試片段很有用，不僅因爲它可能會提高您的準確性，還因爲它可能會幫助您在很多頁面上儘早放棄。推測大多數掃描是而不是空白，所以你應該從一個簡單的檢查開始，通常將非空白頁面標識爲非空白;只有當它說這個頁面可能是空白的時候，你需要仔細看看。

在照明或頁面本身不均勻的情況下，您可能需要從image = image-filter(image)開始，其中filter可以進行非常寬泛的平滑處理。這將減少識別占主導地位的色調的需要，以及當主頁色調在整個頁面上不太統一時的應對。

Answer 2

就像第一次嘗試一樣，按照文件大小對圖像文件夾進行排序。如果來自一個文件的所有掃描具有相同的分辨率，則空白頁面肯定會導致比非空白文件更小的文件。

我不知道你有多少頁正在掃描，但如果數量足夠低，這可能是一個簡單的快速修復。

Answer 3

以下是替代解決方案，使用mahotas和milk。

1. 首先創建兩個目錄：positives/和negatives/您將在其中手動挑選幾個示例。
2. 我會假設數據的其餘部分是在積極的unlabeled/目錄中的所有圖像
3. 計算功能和底片
4. 學習分類
5. 使用分類上未標記的圖像

在下面的代碼我用jug給你在多個處理器上運行它的可能性，但如果你刪除所有，其中提到TaskGenerator

行代碼也可以210

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] 

它使用紋理特徵，這可能是不夠好，但你可以在mahotas.features其他功能發揮，如果你想（或嘗試mahotas.surf，而是變得更加複雜）。一般來說，我發現很難用你正在尋找的那種硬閾值進行分類，除非掃描受到很好的控制。