Вот возможное решение. Конечно, вам придется настроить некоторые параметры ...
Что делает мой пример кода:
- применить
threshold и инвертировать (bitwise_not) изображение, чтобы получить двоичное изображение с черным фоном и белыми буквами - применить маленькое
dilate, чтобы объединить некоторые маленькие элементы и уменьшить количество обнаружений - использовать
findContours, чтобы ... найти контуры :) - вычисляет
boundingRect и area для каждого контура, возвращая прямоугольники, в которых обнаружены записи (область может использоваться для фильтрации небольших нежелательных элементов) - подготовка изображения, перекрывающего исходное изображение с контурами и прямоугольники (эта часть необходима только для отладки)
После обнаружения, код продолжает создавать новое «текстурное изображение», которое вы хотите:
total_width - это сумма ширины всех прямоугольников mean_height - среднее значение высоты всех прямоугольников total_lines - количество строк в новом изображении ; рассчитывается по total_width и mean_height, так что результирующее изображение приблизительно квадратное - внутри al oop, мы скопируем каждый прямоугольник из
src изображения в newImg curr_line и curr_width отслеживают положение, куда нужно вставить src прямоугольник - Я использовал
cv.min(), чтобы смешать каждый новый прямоугольник в newImg; это похоже на режим смешивания «затемнение» в фотошопе
Изображение, показывающее обнаружения:
Полученное изображение текстуры :
Код ...
import cv2 as cv
import numpy as np
import math
src = cv.imread("handwriting.jpg")
src_gray = cv.cvtColor(src,cv.COLOR_BGR2GRAY)
# apply threshold
threshold = 230
_, img_thresh = cv.threshold(src_gray, threshold, 255, 0)
img_thresh = cv.bitwise_not(img_thresh)
# apply dilate
dilatation_size = 1
dilatation_type = cv.MORPH_ELLIPSE
element = cv.getStructuringElement(dilatation_type, (2*dilatation_size + 1, 2*dilatation_size+1), (dilatation_size, dilatation_size))
img_dilate = cv.dilate(img_thresh, element)
# find contours
contours = cv.findContours(img_dilate, cv.RETR_EXTERNAL, cv.CHAIN_APPROX_SIMPLE)
# calculate rectangles and areas
boundRect = [None]*len(contours[1])
areas = [None]*len(contours[1])
for i, c in enumerate(contours[1]):
boundRect[i] = cv.boundingRect(c)
areas[i] = cv.contourArea(c)
# set drawing
drawing = np.zeros((src.shape[0], src.shape[1], 3), dtype=np.uint8)
# you can use only contours bigger than some area
for i in range(len(contours[1])):
if areas[i] > 1:
color = (50,50,0)
cv.rectangle(drawing, (int(boundRect[i][0]), int(boundRect[i][1])), \
(int(boundRect[i][0]+boundRect[i][2]), int(boundRect[i][1]+boundRect[i][3])), color, 2)
# set newImg
newImg = np.ones((src.shape[0], src.shape[1], 3), dtype=np.uint8)*255
total_width = 0
mean_height = 0.0
n = len(boundRect)
for r in (boundRect):
total_width += r[2]
mean_height += r[3]/n
total_lines = math.ceil(math.sqrt(total_width/mean_height))
max_line_width = math.floor(total_width/total_lines)
# loop through rectangles and perform a kind of copy paste
curr_line = 0
curr_width = 0
for r in (boundRect):
if curr_width > max_line_width:
curr_line += 1
curr_width = 0
# this is the position in newImg, where to insert source rectangle
pos = [curr_width, \
curr_width + r[2], \
math.floor(curr_line*mean_height), \
math.floor(curr_line*mean_height) + r[3] ]
s = src[r[1]:r[1]+r[3], r[0]:r[0]+r[2], :]
d = newImg[pos[2]:pos[3], pos[0]:pos[1], :]
newImg[pos[2]:pos[3], pos[0]:pos[1], :] = cv.min(d,s)
curr_width += r[2]
cv.imwrite('detection.png',cv.subtract(src,drawing))
cv.imshow('blend',cv.subtract(src,drawing))
crop = int(max_line_width*1.1)
cv.imwrite('texture.png',newImg[:crop, :crop, :])
cv.imshow('newImg',newImg[:crop, :crop, :])
cv.waitKey()