[[403226]]

傳統(tǒng)的講座通常伴隨著一組 pdf 幻燈片。一般來說，想要對此類講座做筆記，需要從 pdf 復(fù)制、粘貼很多內(nèi)容。

最近，來自 K1 Digital 的高級機器學(xué)習(xí)工程師 Lucas Soares 一直在嘗試通過使用 OCR（光學(xué)字符識別）自動轉(zhuǎn)錄 pdf 幻燈片，以便直接在 markdown 文件中操作它們的內(nèi)容，從而避免手動復(fù)制和粘貼 pdf 內(nèi)容，實現(xiàn)這一過程的自動化。

項目地址：https://github.com/EnkrateiaLucca/ocr_for_transcribing_pdf_slides

為什么不使用傳統(tǒng)的 pdf 轉(zhuǎn)文本工具呢？

Lucas Soares 發(fā)現(xiàn)傳統(tǒng)工具往往會帶來更多的問題，需要花時間解決。他曾經(jīng)嘗試使用傳統(tǒng)的 Python 軟件包，但是遇到了很多問題（例如必須使用復(fù)雜的正則表達式模式解析最終輸出等），因此決定嘗試使用目標(biāo)檢測和 OCR 來解決。

基本過程可分為以下步驟：

• 將 pdf 轉(zhuǎn)換為圖片；
• 檢測和識別圖像中的文本；
• 展示示例輸出。

基于深度學(xué)習(xí)的 OCR 將 pdf 轉(zhuǎn)錄為文本

將 pdf 轉(zhuǎn)換為圖像

Soares 使用的 pdf 幻燈片來自于 David Silver 的增強學(xué)習(xí)（參見以下 pdf 幻燈片地址）。使用「pdf2image」包將每張幻燈片轉(zhuǎn)換為 png 圖像格式。

地址：https://www.davidsilver.uk/wp-content/uploads/2020/03/intro_RL.pdf

代碼如下： 

from pdf2image import convert_from_path 
from pdf2image.exceptions import ( 
 PDFInfoNotInstalledError, 
 PDFPageCountError, 
 PDFSyntaxError 
) 
 
pdf_path = "path/to/file/intro_RL_Lecture1.pdf" 
images = convert_from_path(pdf_path) 
for i, image in enumerate(images): 
    fname = "image" + str(i) + ".png" 
    image.save(fname, "PNG") 

經(jīng)過處理后，所有的 pdf 幻燈片都轉(zhuǎn)換成 png 格式的圖像：

檢測和識別圖像中的文本

為了檢測和識別 png 圖像中的文本，Soares 使用 ocr.pytorch 庫中的文本檢測器。按照說明下載模型并將模型保存在 checkpoints 文件夾中。

ocr.pytorch 庫地址：https://github.com/courao/ocr.pytorch

代碼如下： 

# adapted from this source: https://github.com/courao/ocr.pytorch 
%load_ext autoreload 
%autoreload 2 
import os 
from ocr import ocr 
import time 
import shutil 
import numpy as np 
import pathlib 
from PIL import Image 
from glob import glob 
import matplotlib.pyplot as plt 
import seaborn as sns 
sns.set() 
import pytesseract 
 
def single_pic_proc(image_file): 
    image = np.array(Image.open(image_file).convert('RGB')) 
    result, image_framed = ocr(image) 
    return result,image_framed 
 
image_files = glob('./input_images/*.*') 
result_dir = './output_images_with_boxes/' 
 
# If the output folder exists we will remove it and redo it. 
if os.path.exists(result_dir): 
    shutil.rmtree(result_dir) 
os.mkdir(result_dir) 
 
for image_file in sorted(image_files): 
    result, image_framed = single_pic_proc(image_file) # detecting and recognizing the text 
    filename = pathlib.Path(image_file).name 
    output_file = os.path.join(result_dir, image_file.split('/')[-1]) 
    txt_file = os.path.join(result_dir, image_file.split('/')[-1].split('.')[0]+'.txt') 
    txt_f = open(txt_file, 'w') 
    Image.fromarray(image_framed).save(output_file) 
    for key in result: 
        txt_f.write(result[key][1]+'\n') 
    txt_f.close() 

設(shè)置輸入和輸出文件夾，接著遍歷所有輸入圖像（轉(zhuǎn)換后的 pdf 幻燈片），然后通過 single_pic_proc() 函數(shù)運行 OCR 模塊中的檢測和識別模型，最后將輸出保存到輸出文件夾。

其中檢測繼承（inherit）了 Pytorch CTPN 模型，識別繼承了 Pytorch CRNN 模型，兩者都存在于 OCR 模塊中。

示例輸出

代碼如下： 

import cv2 as cv 
 
output_dir = pathlib.Path("./output_images_with_boxes") 
 
# image = cv.imread(str(np.random.choice(list(output_dir.iterdir()),1)[0])) 
image = cv.imread(f"{output_dir}/image7.png") 
size_reshaped = (int(image.shape[1]),int(image.shape[0])) 
image = cv.resize(image, size_reshaped) 
cv.imshow("image", image) 
cv.waitKey(0) 
cv.destroyAllWindows() 

下圖左為原始 pdf 幻燈片，圖右為轉(zhuǎn)錄后的輸出文本，轉(zhuǎn)錄后的準(zhǔn)確率非常高。

文本識別輸出如下： 

filename = f"{output_dir}/image7.txt" 
with open(filename, "r") as text: 
    for line in text.readlines(): 
        print(line.strip("\n")) 

通過上述方法，最終你可以得到一個非常強大的工具來轉(zhuǎn)錄各種文檔，從檢測和識別手寫筆記到檢測和識別照片中的隨機文本。擁有自己的 OCR 工具來處理一些文本內(nèi)容，這比依賴外部軟件來轉(zhuǎn)錄文檔要好的多。