基于OpenCV的扫描PDF列提取问题：冗余文本移除与多列精准分割

1. 移除位置不固定的“KULLANMA”文本 #

结合OCR文本检测定位目标区域后擦除，无需固定裁剪：

• 先用Tesseract对预处理后的图像做文本检测，获取所有文本的边界框
• 遍历检测结果，筛选出内容为“KULLANMA”的框（需指定土耳其语环境lang='tur'，避免大小写识别偏差）
• 用图像背景色（可取框周围平均色或直接用白色）填充该边界区域
• 示例代码片段：

import cv2
import pytesseract
from pytesseract import Output

img = cv2.imread("scan_page.jpg")
# 预处理：转灰度、二值化
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
thresh = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU)[1]

# 文本检测
d = pytesseract.image_to_data(thresh, output_type=Output.DICT, lang='tur')
n_boxes = len(d['text'])
for i in range(n_boxes):
    if d['text'][i].strip().upper() == 'KULLANMA':
        x, y, w, h = d['left'][i], d['top'][i], d['width'][i], d['height'][i]
        # 用白色填充目标区域（适配多数扫描件背景）
        cv2.rectangle(img, (x, y), (x + w, y + h), (255, 255, 255), -1)

cv2.imwrite("cleaned_page.jpg", img)

2. 排除页眉区域的错误列识别 #

两种实用方法规避页眉干扰：

方法1：行投影裁剪页眉 #

• 计算灰度图的水平投影（每行非零像素数量）
• 找到顶部连续低像素的区域（页眉通常文本稀疏或空白），确定有效内容的起始行
• 裁剪掉页眉区域后再执行列提取
• 示例代码片段：

import numpy as np

# 计算水平投影
horizontal_proj = np.sum(thresh, axis=1)
# 设定阈值，定位有效内容起始行
header_threshold = 50  # 根据扫描件实际密度调整
header_bottom = 0
for i, val in enumerate(horizontal_proj):
    if val > header_threshold:
        header_bottom = i
        break
# 裁剪页眉
cropped_img = img[header_bottom:, :]

方法2：轮廓过滤排除页眉 #

• 提取列轮廓时，添加过滤条件：只保留垂直位置在页眉区域外、高度达图像一半以上的轮廓
• 示例判断逻辑：

img_h = cropped_img.shape[0]
# 假设页眉占顶部15%区域
header_region = img_h * 0.15
contours, _ = cv2.findContours(thresh[header_bottom:, :].copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
for cnt in contours:
    x, y, w, h = cv2.boundingRect(cnt)
    # 仅保留非页眉区域、高度足够的轮廓
    if h > img_h * 0.5:
        # 处理列轮廓逻辑
        pass

3. 自适应不同列数的PDF列分割 #

基于垂直投影的空白区域检测实现自动分割：

• 计算预处理后图像的垂直投影（每列非零像素数量）
• 识别连续低像素的列（列间空白分隔线），记录分割位置
• 根据分割位置切割图像，适配3/4/6/8列等任意列数
• 示例代码片段：

img_w = cropped_img.shape[1]
gray_cropped = cv2.cvtColor(cropped_img, cv2.COLOR_BGR2GRAY)
thresh_cropped = cv2.threshold(gray_cropped, 0, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU)[1]

# 计算垂直投影
vertical_proj = np.sum(thresh_cropped, axis=0)
# 识别空白分隔线位置
col_threshold = 20  # 根据扫描件列间距调整
split_positions = []
in_blank = False
for i, val in enumerate(vertical_proj):
    if val < col_threshold and not in_blank:
        split_positions.append(i)
        in_blank = True
    elif val >= col_threshold:
        in_blank = False

# 补充首尾位置，执行分割
split_positions = [0] + split_positions + [img_w]
columns = []
for i in range(len(split_positions)-1):
    start = split_positions[i]
    end = split_positions[i+1]
    # 过滤过窄的无效分割
    if end - start > img_w * 0.05:
        col_img = cropped_img[:, start:end]
        columns.append(col_img)

内容的提问来源于stack exchange，提问作者Zeevac