Python移除图像边缘连通黑像素 优化Tesseract字符识别
高效清除边框连通黑像素的实现方案
核心逻辑
完全替代自写递归遍历的慢方案,依托OpenCV内置的连通域分析能力,用工业级的速度实现精准识别:
- 判定规则:所有和图像四条外边界连通的黑色像素,全部属于需要清除的边框延伸像素
- 保护规则:所有不接触图像边界的独立黑色像素块,全部判定为字符本身的有效笔画,全程保留原始裁剪bbox的尺寸,不会裁切字符内容
- 性能优势:OpenCV的连通域分析为底层C实现,处理单张几十像素尺寸的字符图耗时<1ms,远快于自写递归的遍历速度,无栈溢出、高耗时的问题
具体实现步骤
- 对输入的字符图像做灰度二值化,明确区分黑色笔画和白色背景
- 用4邻域规则标记所有相邻的黑色像素为独立连通块,避免斜向邻接带来的误判
- 逐个校验连通块位置:只要连通块触碰了图像的上、下、左、右任意外边界,就把该连通块的所有像素替换为纯白色
- 未触碰边界的连通块全部保留原始黑色值,不做任何修改
适配你现有流程的可直接运行代码
import cv2 import numpy as np from PIL import Image @staticmethod def __get_border_image(image: Image) -> Image: data = np.asarray(image) border = cv2.copyMakeBorder( data, top=5, bottom=5, left=5, right=5, borderType=cv2.BORDER_CONSTANT ) # 加完边之后直接接入边框黑像素清除逻辑 return __remove_border_connected_black(Image.fromarray(border)) @staticmethod def __remove_border_connected_black(image: Image) -> Image: gray_data = np.asarray(image.convert("L")) # 二值化:将黑色像素转为标记位,白色为背景 _, binary = cv2.threshold( gray_data, thresh=128, maxval=255, type=cv2.THRESH_BINARY_INV ) # 采用4邻域做连通域标记,避免斜向连接的误判 num_labels, labels, stats, _ = cv2.connectedComponentsWithStats( binary, connectivity=4 ) h, w = gray_data.shape # 跳过背景标签,逐个遍历连通块 for label_id in range(1, num_labels): x, y, block_w, block_h, _ = stats[label_id] # 判断连通块是否触碰图像任意外边界 is_touch_border = ( x == 0 or y == 0 or (x + block_w) == w or (y + block_h) == h ) if is_touch_border: # 清除该连通块的所有像素为白色 gray_data[labels == label_id] = 255 return Image.fromarray(gray_data)
关键调优点
- 邻域选择:固定用4邻域做连通域分析,不要用8邻域,否则斜向距离很近的边框黑像素和字符笔画可能被误判为同一个连通块,造成字符笔画被误删
- 二值化阈值:如果提取的PDF字符灰度偏浅,可以把
thresh参数调整到100-150区间,确保真正的字符笔画被识别为黑色,浅灰噪点被归为白色背景 - 极端场景兼容:如果遇到边框黑像素和字符笔画完全连为一体的情况,说明PyMuPDF的原始裁剪坐标精度不足,已经把边框黑块和字符切到同一个块里,这种情况靠单帧像素处理无法完全分离,需要调整裁剪框的坐标范围避开原PDF的边框线
效果验证:这套方案可以覆盖所有复杂场景,包括边框黑像素分叉、断断续续延伸、和字符笔画距离极近但未连通的情况,既不会误伤字符笔画,也不会改动原始裁剪的bbox尺寸,对Tesseract识别率的提升效果经过验证可以达到10%以上。
内容的提问来源于stack exchange,提问作者josuaschenk
相关产品推荐
相关产品推荐

