Eynollah

基于深度学习和启发式算法的文档版面分析

特性

• 支持多达10个分割类别：
  • 背景、页面边框、文本区域、文本行、标题、图像、分隔符、边注、首字母、表格
• 支持各种图像优化操作：
  • 裁剪（边框检测）、二值化、倾斜校正、变形校正、缩放、增强、调整大小
• 文本行分割为边界框或多边形（轮廓），包括曲线和垂直文本
• 检测阅读顺序（从左到右或从右到左）
• 输出为PAGE-XML格式
• OCR-D接口

:warning: 目前的开发重点是为各种历史文档实现最佳质量的结果，因此处理速度可能会很慢。我们将致力于改进这一点，同时也欢迎贡献。

安装

目前支持Linux上的Python 3.8-3.11和Tensorflow 2.12-2.15。

要获得（有限的）GPU支持，需要安装CUDA工具包。

您可以从PyPI安装

pip install eynollah

或者克隆仓库，进入目录并（以可编辑模式）安装

git clone git@github.com:qurator-spk/eynollah.git
cd eynollah; pip install -e .

或者，您可以运行 make install 或 make install-dev 进行可编辑安装。

模型

预训练模型可以从 qurator-data.de 或 huggingface 下载。

训练

🚧 正在进行中

如果您想训练自己的模型，请查看 sbb_pixelwise_segmentation。

使用

命令行界面可以按以下方式调用：

eynollah \
  -i <单个图像文件> | -di <包含图像文件的目录> \
  -o <输出目录> \
  -m <包含模型文件的目录> \
     [选项]

以下选项可用于进一步配置处理过程:

选项	描述
-fl	完整布局分析，包括所有步骤和分割类别
-light	更轻量快速但简单的主要区域检测和倾斜校正方法
-tab	应用表格检测
-ae	应用图像增强（结果图像保存到输出目录）
-as	应用缩放
-cl	应用轮廓检测以检测曲线文本行，而不是边界框
-ib	应用二值化（结果图像保存到输出目录）
-ep	启用绘图（必须与 -sl、-sd、-sa、-si 或 -ae 一起使用）
-ho	忽略页眉进行阅读顺序检测
-si <目录>	将检测到的图像区域保存到此目录
-sd <目录>	将倾斜校正后的图像保存到此目录
-sl <目录>	将布局预测结果作为图表保存到此目录
-sp <目录>	将裁剪后的页面图像保存到此目录
-sa <目录>	将所有内容（图表、增强/二值化图像、布局）保存到此目录

如果未设置任何选项，工具将执行主要区域的布局检测（背景、文本、图像、分隔符和页边）。 使用RGB图像作为输入比使用灰度或二值化图像能够产生最佳输出质量。

作为OCR-D处理器使用

🚧 正在进行中

Eynollah提供了一个命令行界面，可用作OCR-D处理器。

在这种情况下，应使用包含（最好是）RGB图像的源图像文件组作为输入，如下所示：

ocrd-eynollah-segment -I OCR-D-IMG -O SEG-LINE -P models

PAGE-XML中由@imageFilename引用的任何图像都会直接作为处理器传递给Eynollah，因此例如：

ocrd-eynollah-segment -I OCR-D-IMG-BIN -O SEG-LINE -P models

尽管在之前的OCR-D处理步骤中可能进行了二值化，但仍会使用原始（RGB）图像。

附加文档

请查看wiki。

如何引用

如果您发现这个工具对您的工作有用，请考虑引用我们的论文：

@inproceedings{hip23rezanezhad,
  title     = {Document Layout Analysis with Deep Learning and Heuristics},
  author    = {Rezanezhad, Vahid and Baierer, Konstantin and Gerber, Mike and Labusch, Kai and Neudecker, Clemens},
  booktitle = {Proceedings of the 7th International Workshop on Historical Document Imaging and Processing {HIP} 2023,
               San José, CA, USA, August 25-26, 2023},
  publisher = {Association for Computing Machinery},
  address   = {New York, NY, USA},
  year      = {2023},
  pages     = {73--78},
  url       = {https://doi.org/10.1145/3604951.3605513}
}