如何将Google OCR识别的单词框聚类合并为文本块？

方法1：基于OpenCV形态学操作（适配你已有的填充矩形步骤） #

• 基于你生成的填充矩形掩码图，执行形态学膨胀操作：
  • 用cv2.getStructuringElement(cv2.MORPH_RECT, (w, h))生成矩形结构元素，调整w和h的大小——如果是横向排版，设置w > h来合并同一行的单词；如果要合并整栏，增大h的值
  • 调用cv2.dilate(mask, kernel, iterations=1)膨胀图像，让同一文本块的填充区域连通
• 对膨胀后的图像提取轮廓：
  • 用cv2.findContours找到所有连通区域的轮廓
  • 对每个轮廓计算最小外接矩形（cv2.boundingRect），得到合并后的文本块边界
• 注意：结构元素的尺寸需要根据你的文档排版（行间距、栏间距）调整，多测试几组参数找到最优值

方法2：基于几何聚类的DBSCAN算法 #

适合排版不规则的场景，通过框的位置关系自动聚类：

• 提取所有单词框的中心坐标（或四角坐标），整理成数组格式
• 用DBSCAN算法按距离聚类，把位置相近的框归为同一文本块：

  from sklearn.cluster import DBSCAN
  import numpy as np
  
  # 假设boxes是所有单词框的列表，每个框格式为(x1, y1, x2, y2)
  centers = np.array([[(x1+x2)/2, (y1+y2)/2] for x1, y1, x2, y2 in boxes])
  # eps为聚类距离阈值，min_samples为聚类最小样本数，按需调整
  db = DBSCAN(eps=40, min_samples=2)
  cluster_labels = db.fit_predict(centers)
  
  # 生成每个聚类对应的文本块边界
  text_blocks = []
  for label in set(cluster_labels):
      if label == -1:  # 跳过噪声点（孤立的单词框）
          continue
      group_boxes = [boxes[i] for i in range(len(boxes)) if cluster_labels[i] == label]
      # 计算组内所有框的最小外接矩形
      all_x = [coord for box in group_boxes for coord in (box[0], box[2])]
      all_y = [coord for box in group_boxes for coord in (box[1], box[3])]
      text_blocks.append((min(all_x), min(all_y), max(all_x), max(all_y)))
  

方法3：基于排版规则的行/栏合并 #

适合规整的分栏文档：

1. 行分组：把所有单词框按y坐标排序，将y坐标差小于行高阈值的框归为同一行
2. 行内合并：同一行内的框按x坐标排序，相邻框x间距小于单词间距阈值时，合并为行块
3. 栏合并：将上下相邻的行块合并——如果两行块的x范围重叠度超过设定阈值（比如60%），且y间距小于行间距阈值，就合并为一个栏文本块

内容的提问来源于stack exchange，提问作者burlesquel