""" 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 = 25 # 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, "left", output_dir, gap_threshold=gap_threshold) # 处理右侧栏 print("处理右侧栏...") right_entries = process_column(right_column, right_column_img, "right", output_dir, gap_threshold=gap_threshold) return left_entries + right_entries def process_column(column_bin, column_img, side, output_dir, gap_threshold): """ 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 """ # 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 = 0.05 # 优化参数：投影阈值系数0.05 threshold = np.max(horizontal_projection) * threshold_coef gaps = [] 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)) # 提取词条区域边界 entry_boundaries = [] prev_end = 0 # 收集所有词条边界 for i, (start, end) in enumerate(gaps): # 词条区域：上一个空隙结束到当前空隙开始 if start - prev_end > 10: # 最小高度检查 # 提取词条区域（上下各扩展5像素确保完整） y_start = max(0, prev_end - 10) y_end = min(column_img.shape[0], start + 10) entry_boundaries.append((y_start, y_end)) prev_end = end # 处理最后一个词条 if prev_end < column_img.shape[0] - 10: # 提取最后一个词条（上边界扩展5像素） y_start = max(0, prev_end - 10) y_end = column_img.shape[0] entry_boundaries.append((y_start, y_end)) # 裁剪底部空白（在检查高度之前） cropped_boundaries = [] for idx, (y_start, y_end) in enumerate(entry_boundaries): # 提取词条区域 entry_region = column_img[y_start:y_end, :] gray_entry = cv2.cvtColor(entry_region, cv2.COLOR_BGR2GRAY) # 二值化处理 _, thresh = cv2.threshold(gray_entry, 0, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU) # 计算水平投影 h_proj = np.sum(thresh, axis=1) # 从底部向上扫描，找到最后一个有内容的行 last_content_row = y_end - y_start # 默认为底部 for i in range(len(h_proj)-1, -1, -1): if h_proj[i] > 0: last_content_row = i break # 裁剪掉底部空白（保留1-2行空白） new_y_end = y_start + last_content_row + 10 # 保留5像素底部空白 # 确保裁剪后不会超出原范围 new_y_end = min(new_y_end, y_end) # 记录裁剪后的边界 cropped_boundaries.append((y_start, new_y_end)) # 记录裁剪信息 if new_y_end < y_end: print(f"裁剪{side}栏词条 {idx+1} 的底部空白: {y_end - new_y_end}像素") # 修复：确保顶部词条不被遗漏 # 检查第一个词条是否被遗漏 if cropped_boundaries and cropped_boundaries[0][0] > 0: # 添加顶部词条 top_start = 0 top_end = cropped_boundaries[0][0] if top_end - top_start > 10: # 确保有有效高度 # 插入到边界列表开头 cropped_boundaries.insert(0, (top_start, top_end)) print(f"添加{side}栏顶部词条: {top_end - top_start}像素") # 智能合并短词条 - 根据空隙距离决定合并方向 merged_boundaries = [] i = 0 while i < len(cropped_boundaries): y_start, y_end = cropped_boundaries[i] height = y_end - y_start # 检查词条高度是否不足50像素 if height < 50: # 计算与上一个词条的空隙（如果存在） gap_prev = float('inf') if i > 0: prev_y_start, prev_y_end = cropped_boundaries[i-1] gap_prev = y_start - prev_y_end # 当前词条上边界与上一个词条下边界的距离 # 计算与下一个词条的空隙（如果存在） gap_next = float('inf') if i < len(cropped_boundaries) - 1: next_y_start, next_y_end = cropped_boundaries[i+1] gap_next = next_y_start - y_end # 下一个词条上边界与当前词条下边界的距离 # 根据空隙距离决定合并方向 if gap_prev <= gap_next: # 合并到上一个词条 if i > 0: prev_y_start, prev_y_end = cropped_boundaries[i-1] new_end = max(prev_y_end, y_end) merged_boundaries[-1] = (prev_y_start, new_end) print(f"合并{side}栏的短词条 {i+1} 到前一词条 (高度: {height}像素, 空隙: {gap_prev}px)") i += 1 # 移动到下一个词条 continue else: # 合并到下一个词条 if i < len(cropped_boundaries) - 1: next_y_start, next_y_end = cropped_boundaries[i+1] new_start = min(y_start, next_y_start) # 创建新的合并边界 merged_boundaries.append((y_start, next_y_end)) print(f"合并{side}栏的短词条 {i+1} 和后一词条 (高度: {height}像素, 空隙: {gap_next}px)") i += 2 # 跳过下一个词条（已经合并） continue # 如果高度足够或无法合并，直接添加 merged_boundaries.append((y_start, y_end)) i += 1 # 跳过页码词条并保存有效词条 entries = [] entry_count = 0 # 标识是否已跳过页码 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 = y_end - y_start # 跳过页码（通常高度较小且位于顶部） if not skipped_page_number and height < 130 and y_start < column_img.shape[0] * 0.1: 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"{side}_entry_{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__": # 输入图像路径 input_image = "0082.jpg" # 检查图像是否存在 if not os.path.exists(input_image): print(f"错误: 输入图像 {input_image} 不存在") print("请将词典页面保存为 dictionary_page.jpg 并放在当前目录") exit(1) # 处理图像并分割词条 print("开始处理词典页面...") print("使用优化参数: 二值化(块大小=19, C=20), 空隙阈值=30, 投影系数=0.05") 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)")