A mobiltelefonnal készített dokumentum tájolása rossz. Először dolgozza fel az EXIF-et, majd küldje el az OCR-be.
A telefonomon lévő szerződéses fotó függőlegesnek tűnt, de feltöltés után vízszintesen fordult. Ennek oka az lehet, hogy maguk a pixelek nincsenek elforgatva, a néző egyszerűen beállítja a kijelzőt az EXIF tájolásjelzők alapján. Ha az OCR bemenet figyelmen kívül hagyja ezt a jelölést, akkor a másik irányba olvassa be az oldalt.
A mobiltelefonnal készített szerződéses fotók az albumban függőlegesek, de feltöltés után vízszintessé válnak. Sokan azt gondolják, hogy a fénykép ferde, vagy a fájl rossz. Ez a cikk azoknak íródott, akiknek mobiltelefonról fotókat kell küldeniük az OCR-be vagy a fordítási folyamatba, hogy segítsenek megkülönböztetni a „megjelenítési irány"és a „képpont iránya".
Ennek elolvasása után tudni fogja, mi az az EXIF-orientációs zászló, a Párna melyik funkciót használja a kezeléséhez, és milyen problémákat nem old meg. A példák szintetikus mintákat használnak, és a kódot izolált környezetben ellenőrizték, de ez nem jelent garanciát az összes valós fájlra vagy a termék teljesítményére. A fontos dokumentumok feldolgozása előtt kérjük, őrizze meg az eredeti példányokat és nézze át a szövegben szereplő határok és átvételi tételek szerint.
Mit tegyünk, ha a telefonod által lefotózott dokumentum iránya rossz? Röviden: egy következtetés
Először használja aImageOps.exif_transpose-t az EXIF-irányjel felhelyezéséhez, majd küldje el a beállított képet az OCR-be; a dőlés és a perspektíva kérdéseivel külön kell foglalkozni.
| a helyzeted | Ajánlott gyakorlatok | ok |
|---|---|---|
| A megtekintő normál módon jelenik meg, de az elemzés eredménye oldalra van | Először használja a ImageOps.exif_transpose-t az EXIF-irány alkalmazásához | A képpontokat nem forgatja el, csak a megjelenítési réteget állítja be |
| Az egész fotó enyhén ferde | A dőléskorrekciót egyénileg értékelje | A exif_transpose nem kezeli a felvételi szögeket |
| A papír trapéz alakú | Érzékelje a papír határait és végezze el a perspektíva korrekcióját | A perspektíva torzulása nem EXIF-orientációs probléma |
| Menteni kell az OCR által visszaküldött dobozt | Rögzítse a bemeneti méretet, a tájolás-átalakítást és a kimeneti méretet egyszerre | A beállított képkoordináták eltérnek az eredeti képtől |
A megjelenítési irányt és a pixelirányt külön kell nézni.
Előfordulhat, hogy a mobilfotó képpontjai önmagukban nem forgathatók el, és a fájlban található EXIF orientációs címkék jelzik a nézőnek, hogyan jelenítse meg azt. A néző ennek megfelelően módosítja a képet, és ha az OCR motor figyelmen kívül hagyja ezt a jelölést, akkor a másik irányba olvassa be az oldalt.
A Pillow ImageOps.exif_transpose a tájolási információk alapján állítja be a képpontokat, és eltávolítja az alkalmazott tájolásjelzőket, hogy elkerülje a későbbi elforgatásokat. Az EXIF orientációval foglalkozik, nem az önkényes lövés dőlésszögével vagy a perspektíva torzításával. A mobiltelefonnal ferdén felvett papír kiegyenesítése még egy újabb geometriai feldolgozást igényel.
Az elforgatási határok tesztelése szintetizált képpontokkal
A következő kód egy összetett képet használ annak ellenőrzésére, hogy a tájolásjelzők megfelelően vannak-e alkalmazva:
from PIL import Image, ImageOps
source = Image.new("RGB", (40, 20), "white")
source.putpixel((0, 0), (255, 0, 0))
source.getexif()[274] = 6
fixed = ImageOps.exif_transpose(source)
assert fixed.size == (20, 40)
assert fixed.getpixel((19, 0)) == (255, 0, 0)
assert fixed.getexif().get(274) is None
assert source.size == (40, 20)
again = ImageOps.exif_transpose(fixed)
assert again.size == fixed.size
assert again.tobytes() == fixed.tobytes()
A sarkokban lévő piros pixelek itt a geometriai kapcsolatok ellenőrzésére szolgálnak anélkül, hogy az OCR-motort meghívnák vagy valódi szöveget szimulálnának. Ezért a teszt csak alátámasztja azt a következtetést, hogy "az irányjelzőket megfelelően alkalmazták", de nem támasztja alá azt, hogy "mennyit javult a szövegfelismerési arány". A példa a Pillow-tól függ, és zárolt verzióban kell futtatni.
Elterelési anomáliák
Ha irányproblémával találkozik, először nézze meg a jelenséget, majd határozza meg az okot. Az alábbi táblázat segíthet a következő lépések eldöntésében:
| megfigyelni | Lehetséges okok | Következő lépés |
|---|---|---|
| Normál megjelenítő, vízszintes elemző | EXIF nem alkalmazva | Nézd meg az iránycímkét és a pixeleket |
| Az egész oldal enyhén ferde | Lövési szög | Független értékelés a dőlés korrekcióra |
| Az oldal trapéz alakú. | Perspektíva torzítás | Ellenőrizd a papíralapú határokat, majd javítsd ki |
| A szöveg fejjel lefelé van, de nincs jel | Hiányzik a metaadatok | Az oldal tartalma alapján ítélkezve, nincs vak találgatás |
A koordináta felvételnek a rotálás után kell elkezdődnie
Ha az OCR egy szövegdobozt ad vissza a módosított képen, a doboz koordinátái a módosított képhez fognak felelni, nem az eredeti képnek. Ezért három információt kell megőrizni: bemeneti dimenziókat, iránytranszformációt és kimeneti dimenziókat. Kiemelő elemek megjelenítésekor alkalmazz inverz transzformációt a koordinátákra, hogy visszatérj az eredeti képpozícióhoz.
Ha csak egy dobozt mentünk el anélkül, hogy rögzítik, melyik képhez tartozik, akkor a kiemelő pozíció nem lesz szöveges.
Igazítsa a képet a fordítás előtt
Amikor a beszkennelt anyagokat a OmniDoc (Termékportál) OCR és fordító portáljain keresztül dolgozod fel, először az orientációt az eredetivel való összehasonlítással ellenőrizheted. Az orientáció, a nézőpont és a tisztaság három különálló ellenőrzési elem, amelyeket külön kell megerősíteni.
A beviteli kritériumok rendszerezése után kétnyelvű eredményeket használjunk a fordítás minőségének értékeléséhez. Ha a hiányzó szavakat azonnal a fordítási modellhez rendeli, amint találkozik velük, a valódi bemeneti probléma gyakran elveszik.
Források: Pillow ImageOps.
📊 Alap összehasonlítás
| Objektumok feldolgozása | Kezelési módszer | Aexif_transpose csinálja? |
|---|---|---|
| EXIF irányjelző | Pixelek módosítása jelöléssel | Igen |
| Az egész oldal kissé ferde | Lövési szög korrekció | Nem, független értékelés szükséges |
| Az oldal trapéz alakú. | Perspektívakorrekció | Nem, papíralapú határokat kell ellenőrizni |
🎯 Melyik módszer illik hozzád?
Ha ......
- Néző normál, OCR eredmények megkoppintva: Először alkalmazza az EXIF orientációt, majd újra táplálja az OCR-t.
- Általános fotóferdeség: a dőléskorrekciót önálló lépésként kezeljük, ne támaszkodjunk irányított kezelésre a javításhoz.
- Trapéz alakú papír élek: először vizsgáld meg a papír éleit, majd végezd el a perspektíva korrekciót.
- Eredeti képpozíció kiemelések: Mentse el a bemeneti méreteket és az átalakítási információkat, majd végezzen fordított transzformációt megjelenítés közben.
❓ Gyakran ismételt kérdések (GYIK)
1. exif_transpose: Ki lehet egyenesíteni a görbe papírt?
Nem. Csak az EXIF irányjelzők alapján módosítja a pixeleket, anélkül, hogy a felvételi szögeket vagy perspektíva torzításokat kezelné, amelyek további geometriát igényelnek.
2. Miért jelenik meg a néző normálisan, de az OCR eredmények vízszintesek?
A néző EXIF irányjelzőt alkalmaz, miközben maguk a pixelek nem feltétlenül forognak. Ha az OCR figyelmen kívül hagyja ezt a jelölőt, akkor az oldalakat az ellenkező irányba fogja olvasni.
3. A mintakód megmutatja, mennyit javult a felismerési arány?
Nem. A példa szintetikus pixeleket használ annak ellenőrzésére, hogy helyesen alkalmazzuk-e az irányjelzőket, anélkül, hogy az OCR motort hívnánk vagy valódi szöveget szimulálnánk.
4. Miért nem egyezik az OCR-rel visszaküldött doboz az eredeti képpozícióval?
Ha az OCR a módosított grafikonon fut, a doboz koordinátái megfelelnek a módosított grafikonnak. Rögzíteni kell a bemeneti méreteket, transzformációkat és kimeneti dimenziókat, és a fordított transzformációt a megjelenítés során kell végrehajtania.
📝 Összefoglaló
A kamera tájolási problémáinál először ellenőrizd, hogy a kijelzőt vagy pixelorientációt használjuk-e, majd kezeld az orientációt, a dőléstést és a perspektívát. Mielőtt fontos dokumentumokat kezelnének, kérjük, tartsd meg az eredetieket, és fejezd be az átvizsgálást.


