所以我经常在一台不智能的佳能多功能机上运行大量的双面扫描作业，这给我留下了一个巨大的 JPEG 文件夹。考虑使用 PIL 分析图像文件夹以检测空白页扫描并将其标记为删除，我是不是疯了？
撇开文件夹抓取和标记部分，我想这看起来像：
我知道这是一种极端情况，但任何有 PIL 经验的人都可以指点一下吗？
【问题讨论】：
标签： python computer-vision python-imaging-library imaging image-scanner
positives/ 和 negatives/，您将在其中手动挑选一些示例。unlabeled/ 目录中在下面的代码中，我使用jug 让您可以在多个处理器上运行它，但是如果您删除提到TaskGenerator 的每一行，该代码也可以工作
from glob import glob
import mahotas
import mahotas.features
import milk
from jug import TaskGenerator
@TaskGenerator
def features_for(imname):
img = mahotas.imread(imname)
return mahotas.features.haralick(img).mean(0)
@TaskGenerator
def learn_model(features, labels):
learner = milk.defaultclassifier()
return learner.train(features, labels)
@TaskGenerator
def classify(model, features):
return model.apply(features)
positives = glob('positives/*.jpg')
negatives = glob('negatives/*.jpg')
unlabeled = glob('unlabeled/*.jpg')
features = map(features_for, negatives + positives)
labels = [0] * len(negatives) + [1] * len(positives)
model = learn_model(features, labels)
labeled = [classify(model, features_for(u)) for u in unlabeled]
这使用了纹理特征，这可能已经足够好了，但如果您愿意，您可以使用mahotas.features 中的其他特征（或尝试mahotas.surf，但这会变得更复杂）。一般来说，我发现很难使用您正在寻找的那种硬阈值进行分类，除非扫描受到非常严格的控制。
【讨论】：
features.haralick 应该是什么意思？格莱美？从 GLCM 中提取的建议统计数据？但是，取最后一个的平均值是没有意义的。同时，将后者用作分类的特征集更有意义。因此，您使用的是前者并使用每个图像的单个特征进行分类。您为什么不使用 Haralick 提出的这 14 种测量方法（或其中的一部分）？
ptp()ing，以获得 28 个特征。在这里，我只是做了平均。
作为第一次尝试，按文件大小对图像文件夹进行排序。如果一个文档的所有扫描都具有相同的分辨率，那么空白页面肯定会导致文件比非空白页面更小。
我不知道您正在扫描多少页，但如果数量足够少，这可能是一个简单的快速修复。
【讨论】：
需要考虑的一些非 PIL 特定建议：
印刷或书面材料的扫描件会有很多高对比度的锐边；像中值滤波器（以减少噪音）和某种简单的边缘检测之类的东西可能会很好地将真实内容与空白页区分开来。
一次测试片段很有用，不仅因为它可以提高您的准确性，还因为它可以帮助您尽早放弃许多页面。大概您的大多数扫描不是空白的，因此您应该从通常将非空白页面识别为非空白的简单检查开始；只有当它说页面可能是空白时，您才需要更仔细地查看。
如果照明或页面本身不均匀，您可能希望首先执行image = image-filter(image) 之类的操作，其中filter 会进行某种非常广泛的平滑处理。这将减少识别主要阴影的需要，以及在主要阴影在整个页面上不太均匀时应对的需要。
【讨论】：