Python实现不同模板简历图像分割：字段分割不准确的技术求助

问题概述 #

正在用Python处理不同模板的简历（拆分式、常规型）图像分割，当前方法存在字段分割不准确的问题：

• 某份简历中「技能与优势」字段被拆分为多个部分，无法被识别为一个完整字段
• 尝试调整阈值来合并内容后，另一份简历出现「工作经历」与「教育背景」被错误合并的情况

相关图像 #

• 原始简历图像：
• 分割后图像：

当前实现代码 #

import cv2
from matplotlib import pyplot as plt
img = cv2.imread('/kaggle/input/extraction/enhanced_image_-5004958113499463991.png')
gray_image = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
smoothed_image = cv2.GaussianBlur(gray_image, (5, 5), 0)
ret, thresh1 = cv2.threshold(smoothed_image, 0, 255, cv2.THRESH_OTSU | cv2.THRESH_BINARY_INV)
rect_kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (40, 20))
dilation = cv2.dilate(thresh1, rect_kernel, iterations = 1)
contours, hierarchy = cv2.findContours(dilation, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_NONE)

优化方向建议 #

• 动态适配形态学结构元素：不要使用固定尺寸的(40,20)结构元素，先统计图像中文本行的平均高度，再结合字段的横向跨度生成适配的结构元素尺寸，避免因尺寸过小拆分同一字段、过大合并无关字段
• 结合OCR语义辅助分割：接入Tesseract等OCR工具识别文本内容，当检测到「技能与优势」「工作经历」这类字段关键词时，以关键词位置为基准，将下方关联的文本区域归为同一字段；遇到不同字段关键词时，强制保留边界不合并
• 利用轮廓层级关系：将轮廓提取模式改为cv2.RETR_TREE，通过轮廓的父子层级关系判断哪些小区域属于同一个大字段，减少误拆分情况
• 分模板配置参数：先对简历进行简单分类（区分拆分式/常规型），再为不同类别的简历套用对应的阈值、形态学参数，避免单一参数适配所有场景

内容的提问来源于stack exchange，提问作者hjer