如何使用Python或VB.NET检测扫描PDF中的红色线条

Python 实现 #

核心思路 #

扫描类PDF本质是图像集合，我们先将PDF每页转换为图像，再通过颜色识别提取红色区域，最后判断区域是否符合线条的形态（高长宽比）。

依赖安装 #

pip install pymupdf opencv-python numpy

代码示例 #

import fitz  # PyMuPDF
import cv2
import numpy as np

def detect_red_lines_in_pdf(pdf_path, red_threshold=(0, 0, 100), line_aspect_ratio=5):
    # 打开PDF
    doc = fitz.open(pdf_path)
    red_line_pages = []

    for page_num in range(len(doc)):
        page = doc.load_page(page_num)
        # 转换为高分辨率图片（DPI=300）
        pix = page.get_pixmap(dpi=300)
        # 转换为OpenCV格式的BGR图像
        img = np.frombuffer(pix.samples, dtype=np.uint8).reshape(pix.height, pix.width, 3)
        img = cv2.cvtColor(img, cv2.COLOR_RGB2BGR)

        # 提取红色区域（RGB阈值，可根据实际调整）
        lower_red = np.array([red_threshold[0], red_threshold[1], red_threshold[2]])
        upper_red = np.array([255, 255, 255])
        mask = cv2.inRange(img, lower_red, upper_red)

        # 查找轮廓
        contours, _ = cv2.findContours(mask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

        has_red_line = False
        for cnt in contours:
            x, y, w, h = cv2.boundingRect(cnt)
            # 判断是否为线条：长宽比大于设定值，且面积过滤零散像素
            if max(w, h) / min(w, h) > line_aspect_ratio and cv2.contourArea(cnt) > 20:
                has_red_line = True
                break

        if has_red_line:
            red_line_pages.append(page_num + 1)  # 页码从1开始计数

    doc.close()
    return red_line_pages

# 使用示例
if __name__ == "__main__":
    result = detect_red_lines_in_pdf("scan_file.pdf")
    if result:
        print(f"检测到红色线条的页码：{result}")
    else:
        print("未检测到红色线条")

关键说明 #

• 红色阈值：可根据扫描件实际红色深浅调整red_threshold参数
• 线条判断：通过轮廓的长宽比和面积过滤零散红色像素，避免误判
• DPI设置：转图片时设置高DPI（如300）能提升细线条的检测精度

VB.NET 实现 #

核心思路 #

利用PdfiumViewer将PDF页转换为Bitmap，遍历像素识别红色区域，再通过连续红色像素的长度判断是否为线条。

依赖安装 #

通过NuGet安装以下包：

• PdfiumViewer（PDF转图像）
• System.Drawing.Common（图像处理）

代码示例 #

Imports PdfiumViewer
Imports System.Drawing
Imports System.Collections.Generic

Public Class RedLineDetector
    Public Shared Function DetectRedLines(pdfPath As String, redThreshold As Integer, minLineLength As Integer) As List(Of Integer)
        Dim redLinePages As New List(Of Integer)()
        Using document As PdfDocument = PdfDocument.Load(pdfPath)
            For pageNum As Integer = 0 To document.PageCount - 1
                Using bitmap As Bitmap = document.Render(pageNum, 300, 300, PdfRenderFlags.Annotations)
                    Dim hasRedLine As Boolean = False
                    Dim currentLineLength As Integer = 0

                    For y As Integer = 0 To bitmap.Height - 1
                        For x As Integer = 0 To bitmap.Width - 1
                            Dim pixel As Color = bitmap.GetPixel(x, y)
                            ' 判断是否为红色：R值远大于G、B值，且超过阈值
                            If pixel.R > redThreshold AndAlso pixel.G < pixel.R * 0.3 AndAlso pixel.B < pixel.R * 0.3 Then
                                currentLineLength += 1
                                If currentLineLength >= minLineLength Then
                                    hasRedLine = True
                                    Exit For
                                End If
                            Else
                                currentLineLength = 0
                            End If
                        Next
                        If hasRedLine Then Exit For
                    Next

                    If hasRedLine Then
                        redLinePages.Add(pageNum + 1) ' 页码从1开始
                    End If
                End Using
            Next
        End Using
        Return redLinePages
    End Function

    ' 使用示例
    Public Shared Sub Main()
        Dim result = DetectRedLines("scan_file.pdf", 180, 20)
        If result.Count > 0 Then
            Console.WriteLine($"检测到红色线条的页码：{String.Join(", ", result)}")
        Else
            Console.WriteLine("未检测到红色线条")
        End If
    End Sub
End Class

关键说明 #

• 红色判断：通过R、G、B的比例识别红色，避免受亮度影响
• 线条长度：通过连续红色像素的累计长度过滤零散红点
• 资源释放：使用Using语句确保PDF和Bitmap资源被正确释放

内容的提问来源于stack exchange，提问作者Paavak V