基于Python批量去水印优化批量OCR的质量

中国传媒大学2022硕士研究生录取名单终于出来了，根据我写的上一篇文章：基于批量OCR分析中传研究生录取名单
分析了一下，没想到我居然初试材料复试三个第一，然而感觉自己还是有很多不足之处和可以改进的地方。今天在中传研究生群里受到了一位国重大佬的启发，想到了可以用python批量去水印的方法去除中传研究生录取名单里的大logo，这样可以使OCR识别效果更准确。

首先了解logo水印类型

logo几乎是一个颜色，整体RGB值在一定范围内，可以将该水印区域的RGB值变成白色，能够增强OCR识别的精确度。
获取logo的RGB值
很多软件都能识别RGB值，这里我选择常用的PS工具，点击吸管工具-吸取logo区域-设置前景色，就能找到logo的RGB大致范围
这里的RGB是波动的，但我们只需要看R+G+B的值大致范围，比如说这里大致都在300以上，可以令RGB值之和大于300的都变成白色（如这里[202,172,36]变成[255,255,255]）
用Python批量去水印

#这里只写出新加的代码
from itertools import product
from PIL import Image
from io import BytesIO
#其余代码见我写的上一篇文章
#这里只写了新加的循环体里的内容filePath1 = filePath + "\\yan (" + str(i) +").png"#需要先去水印img = Image.open(filePath1)width, height = img.sizefor pos in product(range(width), range(height)):if sum(img.getpixel(pos)[:3]) > 300:img.putpixel(pos, (255, 255, 255))#转化为二进制传输到百度apiimg_bytes = BytesIO()img.save(img_bytes, format='png')img_bytes = img_bytes.getvalue()table = aipOcr.tableRecognitionAsync(img_bytes)# 调用表格识别模块识别图片

这里只给出了新加的代码，需要用到PIL库的Image进行图像处理，io的BytesIO将PIL图形转换成二进制进行网络传输（百度api仅支持二进制传输），使RGB值之和大于300的变成白色，方便OCR识别。（这里实时二进制传输可能会出现问题，重试一遍即可）

R语言部分代码优化
在上一篇文章中R语言合并的部分可能会出现有的表格第一行为空的情况，我对之前的R语言代码进行了如下改进：

library(readxl)
# 设置工作空间
setwd('D:/360极速浏览器下载/2022拟录取名单/')
# 读取该工作空间下的所有文件名
filenames <- dir()
# 通过正则，获取所有xls结尾的文件名
filenames2 <- grep('.xls', filenames, value = TRUE)
# 初始化数据框，用于后面的数据合并
data3 <- data.frame()
#通过循环完成数据合并
for (i in filenames2){# 构造数据路径path <- paste0('D:/360极速浏览器下载/2022拟录取名单/',i)# 读取并合并数据data2 <- read_xls(path = path,sheet='body',skip=1,col_names = TRUE)data2$index <- ifit<-try(data3 <- rbind(data3,data2),silent=TRUE)if('try-error' %in% class(fit)){data2 <- read_xls(path = path,sheet='body',col_names = TRUE)data2$index <- idata3 <- rbind(data3,data2)}
}
write.csv(data3, file="D:/2022拟录取名单.csv",row.names = FALSE)

使用了try函数，如果合并失败，说明第一行没有识别出来，需要重新读取skip=0（默认）

最终的总录取名单

可以看到识别非常精准，说明批量去水印能显著改善批量OCR的质量，但是程序运行时间也相应的变长了。所以如果只是做正则匹配的话没必要那么精确，使用我上一篇文章的方法近似处理也许是更高效的选择。最终得到的总录取名单见我发的：中国传媒大学2022硕士研究生录取名单电子版（一志愿）。

写在最后，特别感谢自己这么长时间来的努力，感谢那个积极治疗、乐观生活的自我。虽然考研期间总是在生病，也遇到了很多坎坷，但依然能够在卷王之卷的2022考研中实现自己的梦想。

选择这个专业是因为热爱，热爱可抵岁月漫长。众所周知统计学在计算机、金融领域十分受欢迎，但是我学了这么多发现我并不感兴趣，以后还是想做多媒体数据挖掘方向，将专业知识运用在传媒或信息传播领域。
我的导师也是一名非常优秀的老师，我特别喜欢她。双向奔赴的爱有多么美好

基于Python批量去水印优化批量OCR的质量相关推荐

【优秀课设】基于Python的百度API的OCR名片识别【含完整API账户】
基于Python的百度API的OCR名片识别[含完整API账户] API账户:(AK及SK) client_id ='WiXDt5e70NI5w0qSeoUBZClZ' client_secret = ...
基于Python贝叶斯优化XGBoost算法调参报错“TypeError: ‘float‘ object is not subscriptable”
基于Python贝叶斯优化XGBoost算法调参运行情况如下: iter target colsam- gamma max_depth min_ch- subsample 1 0.9398 0.804 ...
python 按需加载_基于python的opcode优化和模块按需加载机制研究(学习与个人思路)（原创）...
基于python的opcode优化和模块按需加载机制研究(学习与思考) 姓名:XXX 学校信息:XXX 主用编程语言:python3.5 文档转换为PDF有些图片无法完全显示,请移步我的博客查看完成 ...
python 高精度时间_如何基于Python代码实现高精度免费OCR工具
近期Github开源了一款基于Python开发.名为Textshot的截图工具,刚开源不到半个月已经500+Star. 这两天抽空看了一下Textshot的源码,的确是一个值得介绍的项目. 相对于大多 ...
【办公自动化】基于Python开发的PDF批量转换-合并应用程序
场景描述: 日常处理文件时,经常遇到将word批量转换成pdf文件,以及合并多个pdf文件的需求. 那么问题来了 1.市面上的office程序只能支持单个文件转换,批量与合并是收费的. 2.而网页上的 ...
基于Python的堆优化单源最短路径
本文主要是本人对堆优化单源最短路径中堆的一些理解,如有需要还会发布对单源最短路径的解释.参考书目:Algorithms Design Techniques and Analysis[沙特]M.H.Al ...
lightinthebox火车头数据采集器（20120812更新）使用火车头接口技术一键批量采集批量发布批量去水印接口技术
lightintebox 如何实现数据采集,lightinthebox中如何实现以下功能:(欢迎广大网友交流 qq:158393237 旺旺: q459255119) 1 找供应商采购谈判给 ...
Python实践11：基于PIL对图片批量去水印
文件夹中的含水印的图片: 查看水印的rgb值: 代码如下: ''' Author: error: git config user.name && git config user.ema ...
python读取遥感 dat_基于python批量处理dat文件及科学计算方法详解
摘要:主要介绍一些python的文件读取功能,文件内容修改,文件名后缀更改等操作. 批处理文件功能 import os path1 = 'C:\\Users\\awake_ljw\\Documents ...

基于Python批量去水印优化批量OCR的质量

基于Python批量去水印优化批量OCR的质量相关推荐

最新文章

热门文章