Chinese-Historical-Newspaper-OCR

An OCR system that's designed to digitize "Shen Bao" -- one of the most important newspapers in China.

Roadmap — 3 steps

1 OpenCV文字切割处理

• DJVU格式导出图片
• 报纸图片切割文字区块（半成）
  • 二值化处理
  • 框线检测、去除
    • 不能直接去除框线（去除率低）
    • 极有可能会误伤印刷“印糊”了的文字
  • 边框定位，文字区域切割（小区域切割尚无法实现）
• 水平、竖直投影，逐区块切割单个文字

2 CNN文字识别

• “制造”训练数据集
• 训练识别网络

3 利用语言模型进行文字处理

• 提高文字识别率
• 文段断句

Files

可用做module的python文件：

• showPic.py
  • 调用cv2显示图片
  • 两种执行模式：showPic(path, para=1)和showImg(img, name="image")
  • 也可以命令行调用
• threshold.py
  • 传入图片地址，返回二值化的cv2 img
  • threshold(name, reverse=False)
  • 文件参数为name，默认格式是png
  • reverse=True时返回的image反色，用作cv2的直线检测
  • 命令行调用：python threshold.py <input-pic> <output-pic>
• dilation.py
  • 利用cv2的dilation算法得到膨胀后的图像，然后用im2-im1得到图像的轮廓，并检测框线
  • getDilationLines(img, kernel=10, minlen=300, maxgap=10)
• segment.py
  • 利用dilation.py检测得到的竖直、水平直线对图像进行切割
  • 距离不超过200px的直线将会被合并
  • 检测到的线段将会被清除
  • getSegments(name)，返回切割好的cv2 img

一些小实验的python文件（暂时没啥用）：

• wipeLinesP.py
  • 目前还只能画出图片中检测到的框线
• findContours.py
  • 找出图像中每个物体的轮廓，不联通的字会被分成数个部分
• dilationHorizontal.py
  • 利用dilation检测水平线