使用 PIL 检测空白页扫描

Question

因此，我经常在一台不智能的佳能多功能一体机上运行大量双面扫描作业，这给我留下了一个巨大的 JPEG 文件夹。我是否疯狂地考虑使用 PIL 来分析图像文件夹以检测空白页的扫描并将其标记为删除？

不考虑文件夹爬行和标记部分，我想这看起来像：

• 检查图像是否是灰度的，因为这被认为是不确定的。
• 如果是这样，请检测主要色调范围（背景颜色）。
• 如果不是，请检测主要的色调范围，仅限于浅灰色。
• 确定整个图像中由所述阴影组成的百分比。
• 尝试找到一个能够充分检测带有文字、文字或图像的页面的阈值。
• 也许一次测试图像片段以提高阈值的准确性。

我知道这是一种边缘情况，但是任何有 PIL 经验的人都可以提供一些指导吗？

Answer 1

这是一个替代解决方案，使用 mahotas 和

1. 首先创建两个目录：positives/ 和 negatives/，您将在其中手动挑选一些示例。
2. 我假设其余数据位于 unlabeled/ 目录中
3. 计算正片和负片中所有图像的特征
4. 学习一个分类器
5. 在未标记图像上使用该分类器

在下面的代码中我使用了 < a href="http://luispedro.org/software/jug" rel="noreferrer">jug 让您可以在多个处理器上运行它，但是如果您删除其中的每一行，该代码也可以工作提到 TaskGenerator

from glob import glob
import mahotas
import mahotas.features
import milk
from jug import TaskGenerator


@TaskGenerator
def features_for(imname):
    img = mahotas.imread(imname)
    return mahotas.features.haralick(img).mean(0)

@TaskGenerator
def learn_model(features, labels):
    learner = milk.defaultclassifier()
    return learner.train(features, labels)

@TaskGenerator
def classify(model, features):
     return model.apply(features)

positives = glob('positives/*.jpg')
negatives = glob('negatives/*.jpg')
unlabeled = glob('unlabeled/*.jpg')


features = map(features_for, negatives + positives)
labels = [0] * len(negatives) + [1] * len(positives)

model = learn_model(features, labels)

labeled = [classify(model, features_for(u)) for u in unlabeled]

这使用了纹理功能，这可能已经足够好了，但是如果您愿意，您可以使用 mahotas.features 中的其他功能（或者尝试 mahotas .surf，但这会变得更加复杂）。一般来说，我发现很难用您正在寻找的那种硬阈值进行分类，除非扫描受到严格控制。

Answer 2

第一次尝试时，请按文件大小对图像文件夹进行排序。如果一份文档的所有扫描件都具有相同的分辨率，则空白页肯定会生成比非空白页更小的文件。

我不知道您正在扫描多少页，但如果数量足够低，这可能是一个简单的快速修复。

Answer 3

需要考虑的一些非 PIL 特定建议：

印刷或书面材料的扫描件将具有大量高对比度的锐边；像中值滤波器（以减少噪音）之类的东西，然后进行某种简单的边缘检测，可能会很好地区分真实内容和空白页面。

一次测试片段很有用，不仅因为它可能会提高您的准确性，而且因为它可能会帮助您尽早放弃许多页面。想必您的大部分扫描件都不是空白，因此您应该从简单的检查开始，通常会将非空白页识别为非空白页；只有当它说该页面可能是空白时，您才需要更仔细地查看。

如果照明或页面本身不均匀，您可能需要首先执行类似 image = image-filter(image) 的操作，其中 filter 进行非常广泛的平滑某种。这将减少识别主色调的需要，以及在主色调在整个页面上不太均匀时应对的需要。