""" 词典词条分割程序 - 最终优化版（带底部空白裁剪） 优化参数设置： 1. 二值化：块大小=19, C=20 2. 空隙高度阈值：30像素 3. 投影阈值系数：0.05 4. 修复左栏顶部词条丢失问题 安装依赖（使用清华源）: pip install -i https://pypi.tuna.tsinghua.edu.cn/simple opencv-python numpy 使用方法: 1. 将词典页面保存为dictionary_page.jpg 2. 运行程序: python dictionary_splitter.py 3. 分割后的词条图像保存在output目录 """ import cv2 import numpy as np import os def process_dictionary_page(image_path, output_dir="output"): """ 处理词典页面图片，分割为单个词条图像 :param image_path: 词典页面图片路径 :param output_dir: 输出目录 :return: 分割后的词条图像列表 """ # 创建输出目录 os.makedirs(output_dir, exist_ok=True) # 1. 图像加载与预处理 #print(f"加载图像: {image_path}") image = cv2.imread(image_path) if image is None: raise ValueError(f"无法加载图像: {image_path}") # 转换为灰度图 gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) # 二值化处理 - 使用优化参数 (块大小=19, C=20) #print("图像二值化处理 (块大小=19, C=20)...") binary = cv2.adaptiveThreshold( gray, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY_INV, 19, 20 # 优化参数 ) # 降噪处理 #print("图像降噪处理...") kernel = np.ones((3, 3), np.uint8) processed = cv2.morphologyEx(binary, cv2.MORPH_OPEN, kernel) processed = cv2.morphologyEx(processed, cv2.MORPH_CLOSE, kernel) # 2. 版面分析 - 检测双栏布局 #print("检测双栏布局...") # 垂直投影计算 vertical_projection = np.sum(processed, axis=0) # 寻找中间空白区域（分栏空隙） height, width = processed.shape center = width // 2 search_width = width // 8 # 在中间区域搜索 # 找到投影最小的区域（最可能是分栏空隙） min_val = np.inf gap_center = center # 确定分栏位置 for i in range(center - search_width, center + search_width): window = vertical_projection[i-5:i+5] window_sum = np.sum(window) if window_sum < min_val: min_val = window_sum gap_center = i # 优化边界检测：寻找左栏的实际右边界 #print("优化左栏边界检测...") # 方法1：在分栏中心左侧区域寻找文字结束位置 left_region = processed[:, max(0, gap_center-100):gap_center] left_region_proj = np.sum(left_region, axis=0) # 从右侧向左扫描，找到第一个有文字的位置 text_end = gap_center for i in range(len(left_region_proj)-1, 0, -1): if left_region_proj[i] > 0: text_end = gap_center - 100 + i break # 方法2：计算文字密度变化 window_size = 10 density = [] for i in range(gap_center-50, gap_center+50): col_density = np.sum(processed[:, i-window_size//2:i+window_size//2]) / (height * window_size) density.append(col_density) # 找到密度开始下降的点作为左栏边界 min_density_idx = np.argmin(density) density_boundary = gap_center - 50 + min_density_idx # 结合两种方法的结果，选择更靠右的边界 left_end = max(text_end, density_boundary) # 添加安全边距 safety_margin = 15 # 增加15像素的安全边距 left_end += safety_margin # 确保边界在合理范围内 left_end = min(left_end, width - 50) # 不要超过图像宽度 # 右栏开始位置 right_start = gap_center + 10 # 3. 词条分割 gap_threshold = 5 # 优化参数：空隙高度阈值30像素 #print(f"分割词条 (空隙阈值: {gap_threshold}像素)...") # 分割左右两栏 left_column = processed[:, :left_end] left_column_img = image[:, :left_end] right_column = processed[:, right_start:] right_column_img = image[:, right_start:] # 处理左侧栏 #print("处理左侧栏...") left_entries = process_column(left_column, left_column_img, "L", output_dir, gap_threshold=gap_threshold,height=height) # 处理右侧栏 #print("处理右侧栏...") right_entries = process_column(right_column, right_column_img, "R", output_dir, gap_threshold=gap_threshold,height=height) return left_entries + right_entries def process_column(column_bin, column_img, side, output_dir, gap_threshold, height): """ 处理单栏图像，分割词条 :param column_bin: 二值化的栏图像 :param column_img: 原始栏图像 :param side: 左栏或右栏标识 :param output_dir: 输出目录 :param gap_threshold: 行间空隙高度阈值（像素） :return: 分割后的词条图像列表 """ #col_height, col_width = column_img.shape # 水平投影计算 horizontal_projection = np.sum(column_bin, axis=1) # 寻找词条之间的空隙（水平投影值接近0的区域） threshold_coef = 0.02 # 优化参数：投影阈值系数0.05 threshold = 600 * threshold_coef gaps = [0] in_gap = False gap_start = 0 # 检测空隙区域 - 使用参数化的空隙高度阈值 for i, val in enumerate(horizontal_projection): if val < threshold and not in_gap: in_gap = True gap_start = i elif val >= threshold and in_gap: in_gap = False # 使用参数化的空隙高度阈值 if i - gap_start > gap_threshold: # 空隙高度大于阈值 gaps.append((gap_start+i)//2) #print(f"gaps={gaps}") # 提取词条区域边界 entry_boundaries = [] prev_end = 0 # 收集所有词条边界 for n in range(len(gaps)-2): entry_boundaries.append((gaps[n],gaps[n+1])) entry_boundaries.append((gaps[len(gaps)-1],height)) #print(f"entry_boundaries={entry_boundaries}") ##### ######## # 假设这是您的参数 if side == "L": BLANK_THRESHOLD = 50 # 空白区域长度阈值 else: BLANK_THRESHOLD = 60 # 修改后的代码 new_merged_boundaries = [] # 用于存储合并后的新边界 prev_y_start, prev_y_end = None, None # 用于跟踪上一个有效条目的边界 split_point = [] for idx, (y_start, y_end) in enumerate(entry_boundaries): # 提取词条图像 entry_img1 = column_img[y_start+10:y_start+20, :] inverted_img = 255 - entry_img1 height_sel = y_end - y_start #gray_img = entry_img[:, 0, 0] # 计算垂直投影（列方向求和） vertical_proj = np.sum(inverted_img, axis=0) vertical_proj = vertical_proj[:, 0] #print(vertical_proj) # 检测左侧空白区域 left_blank_length1 = 0 for col_sum in vertical_proj: #if isinstance(col_sum, np.ndarray): # col_sum = col_sum.item() # 转换为Python标量 if col_sum // 10 > 0.2: # 遇到非空白列，停止计数 break left_blank_length1 += 1 left_blank_length2 = 0 if height_sel < 75: left_blank_length2 = left_blank_length1 else: entry_img2 = column_img[y_end-30:y_end-20, :] inverted_img = 255 - entry_img2 vertical_proj = np.sum(inverted_img, axis=0) vertical_proj = vertical_proj[:, 0] for col_sum in vertical_proj: #if isinstance(col_sum, np.ndarray): # col_sum = col_sum.item() # 转换为Python标量 if col_sum // 10 > 0.2: # 遇到非空白列，停止计数 break left_blank_length2 += 1 left_blank_length = max(left_blank_length1, left_blank_length2) #print(f"left_blank_length={left_blank_length}") # 判断分割点 if left_blank_length > BLANK_THRESHOLD: #print(f"Appending y_start: {y_start}") split_point.append(y_start) #print(f"split_point={split_point}") # 用新的边界列表替换原始列表 for n in range(len(split_point)-1): new_merged_boundaries.append((split_point[n],split_point[n+1])) new_merged_boundaries.append((split_point[len(split_point)-1],height)) merged_boundaries = new_merged_boundaries #print(f"merged_boundaries={merged_boundaries}") ######### entries = [] entry_count = 0 #skipped_page_number = False for idx, (y_start, y_end) in enumerate(merged_boundaries): # 提取词条图像 entry_img = column_img[y_start:y_end, :] height_lemma = y_end - y_start # 跳过页码（通常高度较小且位于顶部） if height_lemma < 90 : #print(f"跳过{side}栏的页码词条 (高度: {height}像素)") #skipped_page_number = True continue # 保存词条图像为JPG格式 entry_count += 1 output_path = os.path.join(output_dir, f"{image_num}{side}{entry_count:03d}.jpg") # 使用高质量JPEG保存 cv2.imwrite(output_path, entry_img, [int(cv2.IMWRITE_JPEG_QUALITY), 95]) entries.append(entry_img) print(f"{side}栏分割完成: 共 {len(merged_boundaries)} 个词条, 保存 {entry_count} 个有效词条") return entries if __name__ == "__main__": # 循环处理 for num in range(101385,101386): # 确保包含 image_num = num input_image = f"{image_num}.jpg" if not os.path.exists(input_image): print(f"警告: 图像 {input_image} 不存在，跳过处理") continue # 跳过不存在的文件 print(f"\n处理图像: {input_image}") entries = process_dictionary_page(input_image) #print(f"\n处理完成! 成功分割出 {len(entries)} 个有效词条图像") #print(f"分割结果保存在 output 目录中 (JPG格式)")