如何将Document AI的归一化坐标转换为文档原始尺度并裁剪图像？

步骤1：提取关键数据 #

从Document AI的响应中获取两个核心信息：

• 实体的归一化边界框坐标：result.document.entities[0].page_anchor.page_refs[0].bounding_poly.normalized_vertices
• 页面的像素尺寸：result.document.pages[0].dimension（包含width、height字段）

步骤2：归一化坐标转像素坐标 #

归一化坐标是0-1的比例值，直接乘以对应页面的宽高即可得到像素坐标。边界框顶点顺序为左上、右上、右下、左下，只需取左上和右下顶点就能确定裁剪区域。

示例代码：

# 从Document AI响应提取数据
normalized_vertices = result.document.entities[0].page_anchor.page_refs[0].bounding_poly.normalized_vertices
page_dim = result.document.pages[0].dimension

# 获取页面像素宽高
page_width = page_dim.width
page_height = page_dim.height

# 转换左上、右下顶点为像素坐标
x1 = int(normalized_vertices[0].x * page_width)
y1 = int(normalized_vertices[0].y * page_height)
x2 = int(normalized_vertices[2].x * page_width)
y2 = int(normalized_vertices[2].y * page_height)

步骤3：PDF转图像并裁剪 #

用pdf2image将PDF转为图像，再通过cv2完成区域裁剪：

from pdf2image import convert_from_path
import cv2
import numpy as np

# 转换PDF第一页为PIL图像（与Document AI处理页面对应）
pdf_pages = convert_from_path("target_document.pdf")
pil_image = pdf_pages[0]

# 转换为cv2兼容的BGR格式
cv2_image = cv2.cvtColor(np.array(pil_image), cv2.COLOR_RGB2BGR)

# 执行裁剪
cropped_image = cv2_image[y1:y2, x1:x2]

# 保存或预览结果
cv2.imwrite("cropped_entity.png", cropped_image)
cv2.imshow("Cropped Result", cropped_image)
cv2.waitKey(0)
cv2.destroyAllWindows()

注意事项 #

• 确保pdf2image转换图像的分辨率与Document AI识别的页面尺寸匹配，若转换时指定了自定义dpi，需按比例调整坐标计算逻辑。
• 若裁剪区域偏移，可检查顶点索引是否正确（比如验证4个顶点的坐标值，确认边界框范围）。

内容的提问来源于stack exchange，提问作者Rajiv2806