如何从模糊折线图图像中读取数据并导出为CSV文件

核心处理逻辑 #

• 图像预处理阶段：先对低分辨率原图做超分辨率重建提升清晰度，再通过灰度化、高斯降噪、对比度拉伸操作，分离折线、坐标轴与背景区域；同时完成坐标轴校准，根据已知的横轴2个月间隔、纵轴对数美元刻度规则，建立「图像像素坐标」和「实际业务数值」的映射关系，这是后续数值换算的基础。
• 目标识别阶段：通过颜色阈值分割、边缘检测提取折线的连续像素轮廓，若折线存在离散数据点标记，可搭配形态学检测定位数据点位置；无明显数据点的话，沿折线走向按横轴的时间间隔规则采样对应位置的像素坐标即可。
• 数值校正阶段：将采样得到的y轴像素坐标按照对数刻度规则换算为实际美元值，可结合折线的整体走势对异常识别结果做平滑修正，降低模糊带来的识别误差。
• 结果导出阶段：将匹配好的时间、数值字段按规则写入CSV文件即可。
  半人工辅助方案是作业场景下性价比最高的选择，可先自动完成图像预处理和坐标轴校准，再人工核验修正识别的点位置，精度远高于纯自动识别，操作量也远低于纯手动录入。

适用框架/工具推荐 #

Python（优先推荐） #

• 图像处理、特征检测用 OpenCV、scikit-image、PIL
• 低分辨率图复原可使用 Real-ESRGAN 预训练模型
• 半人工交互标注可搭配 matplotlib 实现像素点拾取功能
• CSV导出直接用内置csv模块即可

C# #

• 图像处理可使用 Emgu CV（OpenCV的C#封装）
• 超分辨率模型推理可使用 TensorFlow.NET 加载预训练模型
• CSV导出使用官方的 System.Text.Csv 库

Java #

• 图像处理可使用 OpenCV 官方Java绑定、ImageJ 图像处理库
• CSV导出使用 OpenCSV 库

同类参考项目方向 #

• 可搜索「chart data extraction」类开源项目，多数成熟的图表数据提取工具都包含低分辨率图预处理、坐标轴映射、折线识别的成熟逻辑，可直接复用其处理流程。
• 若数据量较小，可参考半自动化图表提取工具的实现逻辑，通过少量人工校准大幅提升识别准确率，适配作业场景的需求。

内容的提问来源于stack exchange，提问作者noassl