Threshold va morfologiya — hujjatni tozalash

3-bob 13 kod bloki 1405 so'z

Skanerlangan hujjat hech qachon toza bo'lmaydi: soya, shovqin, notekis yorug'lik. OCR ga berishdan oldin tozalash kerak.

Threshold — oq va qora

G'oya oddiy: chegaradan qorong'i piksel → qora, yorug' → oq.

import cv2

kulrang = cv2.imread("hujjat.png", cv2.IMREAD_GRAYSCALE)
_, oq_qora = cv2.threshold(kulrang, 128, 255, cv2.THRESH_BINARY)
cv2.imwrite("oq_qora.png", oq_qora)

Muammo: bitta chegara YETMAYDI

Slayderni suring — chap tomon yorug', o'ng tomon soyada:

Ko'rdingizmi? Bitta chegara ikkala tomonga to'g'ri kelmaydi. Chegarani pasaytirsangiz — o'ngdagi matn yo'qoladi. Oshirsangiz — soya ham qora bo'ladi.

Bu haqiqiy muammo: telefonda suratga olingan hujjatda doim notekis yorug'lik bo'ladi.

Yechim 1: Otsu — chegarani AVTOMATIK topish

chegara, natija = cv2.threshold(
    kulrang, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)
print(f"Otsu topgan chegara: {chegara}")

Bizning sinov rasmida 0.0 chiqadi. Sabab: hujjat.png sof oq (255) va sof qora (0) dan iborat — oraliq qiymatlar yo'q. Bunday rasmda "eng yaxshi chegara" tushunchasi ma'nosiz.

Haqiqiy skanerlangan hujjatda 100–180 oralig'ida son chiqadi. Sinovni haqiqiy surat bilan takrorlang.

Otsu gistogrammaga qaraydi va qora/oq guruhlarni eng yaxshi ajratadigan chegarani topadi. Qo'lda tanlashdan yaxshiroq.

Lekin u ham BITTA chegara beradi — notekis yorug'lik muammosini hal qilmaydi.

Yechim 2: Adaptive threshold — HAR HUDUD uchun alohida

adaptiv = cv2.adaptiveThreshold(
    kulrang, 255,
    cv2.ADAPTIVE_THRESH_GAUSSIAN_C,   # qo'shnilarning vaznli o'rtachasi
    cv2.THRESH_BINARY,
    blockSize=31,                      # hudud o'lchami (TOQ son)
    C=10,                              # o'rtachadan ayiriladigan qiymat
)

Bu har bir piksel uchun atrofidagi 31x31 hududga qarab chegara hisoblaydi. Soyadagi hudud uchun past chegara, yorug' hudud uchun baland.

blockSize toq bo'lishi SHART — markaz piksel kerak. Juft son bersangiz xato chiqadi.

Qanday tanlash:

• blockSize — matn balandligidan kattaroq (odatda 15–51)
• C — kattalashtirilsa natija oqroq, shovqin kamayadi

Morfologiya — shakl bilan ishlash

Threshold dan keyin mayda nuqtalar (shovqin) qoladi. Yoki harflar uzilib qoladi. Morfologiya shuni tuzatadi.

Ikki asosiy amal:

import numpy as np

yadro = np.ones((3, 3), np.uint8)

eroziya  = cv2.erode(oq_qora, yadro, iterations=1)   # qora KICHRAYADI
dilatsiya = cv2.dilate(oq_qora, yadro, iterations=1)  # qora KATTALASHADI

Eroziya — obyektni yupqalashtiradi, mayda nuqtalarni yo'qotadi. Dilatsiya — obyektni qalinlashtiradi, uzilgan joyni ulaydi.

Ikkalasini ketma-ket qo'llash foydali:

# OPENING = eroziya -> dilatsiya : SHOVQINNI o'chiradi
tozalangan = cv2.morphologyEx(oq_qora, cv2.MORPH_OPEN, yadro)

# CLOSING = dilatsiya -> eroziya : TESHIKLARNI to'ldiradi
butun = cv2.morphologyEx(oq_qora, cv2.MORPH_CLOSE, yadro)

Opening — mayda oq nuqtalar yo'qoladi, katta shakllar qoladi. Closing — harf ichidagi uzilishlar to'ladi.

Hujjat uchun odatiy tartib: adaptive threshold → opening (shovqin ketadi) → agar harflar uzilgan bo'lsa closing.

Kontur — shakllarni topish

Kontur — bu bir xil rangdagi hududning chegarasi.

konturlar, _ = cv2.findContours(
    oq_qora, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

print(f"topilgan kontur: {len(konturlar)}")

DIQQAT: matn OQ bo'lishi kerak

findContours oq hududlarni obyekt deb biladi, qorani fon deb.

Bizning hujjatda esa matn qora, fon oq — teskari. Shuning uchun oddiy THRESH_BINARY bilan quyidagi natija chiqadi:

_, oddiy = cv2.threshold(kulrang, 128, 255, cv2.THRESH_BINARY)
k1, _ = cv2.findContours(oddiy, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
print(f"BINARY     -> {len(k1)} kontur")

_, teskari = cv2.threshold(kulrang, 128, 255, cv2.THRESH_BINARY_INV)
k2, _ = cv2.findContours(teskari, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
print(f"BINARY_INV -> {len(k2)} kontur")

Natija:

BINARY     -> 1 kontur
BINARY_INV -> 45 kontur

BINARY bilan bitta kontur — u butun FON. Harflar emas. BINARY_INV bilan 45 ta — mana harflar.

Bu xatoni deyarli hamma qiladi. Kontur topishdan oldin doim so'rang: obyektim oqmi?

RETR_EXTERNAL — faqat tashqi konturlar. Harf ichidagi teshiklar ("o" harfining ichi) alohida kontur sifatida qaytarilmaydi. Hujjat uchun odatda shu kerak.

CHAIN_APPROX_SIMPLE — to'g'ri chiziqni faqat ikki nuqta bilan saqlaydi. Xotira tejaydi.

Kontur atrofiga to'rtburchak

Bu — hujjatdan matn bloklarini ajratishning asosi:

for k in konturlar:
    x, y, w, h = cv2.boundingRect(k)
    if w * h < 100:            # juda kichik — shovqin
        continue
    print(f"blok: x={x} y={y} kenglik={w} balandlik={h}")

w * h < 100 filtri muhim. Busiz yuzlab mayda shovqin konturlari chiqadi.

Amaliy: matn bloklarini topish

Alohida harflar emas, butun qatorlarni topish uchun hiyla bor: avval harflarni gorizontal yo'nalishda "yopishtiramiz".

# Matn OQ bo'lishi kerak — shuning uchun INV
_, teskari = cv2.threshold(kulrang, 128, 255, cv2.THRESH_BINARY_INV)

# Keng va past yadro — harflarni yonma-yon ulaydi
qator_yadro = cv2.getStructuringElement(cv2.MORPH_RECT, (25, 3))
qatorlar_rasm = cv2.dilate(teskari, qator_yadro, iterations=1)

qatorlar, _ = cv2.findContours(
    qatorlar_rasm, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

for k in sorted(qatorlar, key=lambda c: cv2.boundingRect(c)[1]):
    x, y, w, h = cv2.boundingRect(k)
    if w * h >= 100:
        print(f"qator: x={x} y={y} w={w} h={h}")

Natija:

qator: x=32  y=33   w=324 h=30
qator: x=29  y=111  w=311 h=22
qator: x=29  y=171  w=275 h=22

45 ta harf -> 3 ta qator. Aynan hujjatdagi uchta qator: sarlavha, summa, sana.

(25, 3) — keng va past. Gorizontal yo'nalishda kuchli yoyadi, vertikalda deyarli yo'q. Natijada bir qatordagi harflar birlashadi, lekin qatorlar bir-biriga yopishmaydi.

Bu — hujjat tahlilining asosiy usuli. Yadro o'lchamini o'zgartirib, so'z / qator / paragraf darajasini boshqarasiz.

Qiyshiq hujjatni to'g'rilash

Telefonda olingan surat deyarli doim qiyshiq bo'ladi.

def burchakni_top(oq_qora):
    """Matn bloklarining o'rtacha burilish burchagini topadi."""
    koords = np.column_stack(np.where(oq_qora > 0))
    burchak = cv2.minAreaRect(koords)[-1]
    if burchak < -45:
        burchak = 90 + burchak
    return -burchak


def togrila(rasm, burchak):
    b, k = rasm.shape[:2]
    markaz = (k // 2, b // 2)
    M = cv2.getRotationMatrix2D(markaz, burchak, 1.0)
    return cv2.warpAffine(rasm, M, (k, b),
                          flags=cv2.INTER_CUBIC,
                          borderMode=cv2.BORDER_REPLICATE)

minAreaRect barcha matn piksellarini o'rab turgan eng kichik burchakli to'rtburchakni topadi. Uning burchagi — hujjatning qiyshiqligi.

Nega bu OCR uchun muhim: ko'p OCR modellari matn gorizontal deb hisoblaydi. 5 daraja qiyshiqlik ham aniqlikni sezilarli tushiradi.

To'liq quvur

def hujjatni_tayyorla(yol):
    rasm = cv2.imread(yol)
    if rasm is None:
        raise FileNotFoundError(yol)

    kulrang = cv2.cvtColor(rasm, cv2.COLOR_BGR2GRAY)

    # 1. Shovqinni yumshatish (chetlarni saqlagan holda)
    yumshoq = cv2.bilateralFilter(kulrang, 9, 75, 75)

    # 2. Adaptive threshold — notekis yorug'likka chidamli
    oq_qora = cv2.adaptiveThreshold(
        yumshoq, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C,
        cv2.THRESH_BINARY, 31, 10)

    # 3. Mayda shovqinni olib tashlash
    yadro = np.ones((2, 2), np.uint8)
    tozalangan = cv2.morphologyEx(oq_qora, cv2.MORPH_OPEN, yadro)

    return tozalangan

bilateralFilter nega oddiy blur emas? Oddiy xiralashtirish chetlarni ham yuvadi — harflar noaniq bo'ladi. Bilateral filtr tekis hududlarni yumshatadi, lekin chetlarni saqlaydi.

Sekinroq, lekin matn uchun ancha yaxshi.