Eynollah: 先进的文档布局分析工具

RayRay
Eynollah文档布局分析深度学习启发式算法图像处理Github开源项目

eynollah

引言

在数字化时代,海量的历史文献和档案需要被数字化处理和分析。然而,古老文献的复杂布局给自动化处理带来了巨大挑战。为了解决这一问题,来自柏林国家图书馆的研究人员开发了一款名为Eynollah的开源文档布局分析工具。Eynollah凭借其强大的功能和高度的准确性,正在成为数字人文领域的一大利器。

Eynollah的核心功能

Eynollah的主要任务是对文档图像进行布局分析,识别出文档中的各种结构化元素。它能够检测以下布局类别和元素:

  • 边框
  • 文本区域
  • 文本行
  • 图像
  • 分隔符
  • 边栏注释
  • 首字下沉

除了这些基本元素,Eynollah还能识别区域的阅读顺序,为后续的OCR处理铺平道路。

文档布局分析示例

先进的技术方案

Eynollah采用了深度学习和启发式方法相结合的技术方案,包括以下几个关键步骤:

1. 边框检测

首先需要检测出文档的打印边框,以避免引入页面外的噪声。Eynollah使用了一个基于像素级分割的二值化模型,该模型在包含2000多份文档的数据集上进行了训练。

2. 布局检测

接下来是识别文本区域等布局元素。同样采用像素级分割模型,在131张标注图像的基础上进行了数据增强训练。主要识别文本区域、分隔符、图像、表格等元素。

3. 文本行检测

在识别出文本区域后,Eynollah会进一步检测每个文本行。这一步也使用了二值化的像素级分割模型,通过对单列和多列文档的参数调优,形成了一个鲁棒的文本行检测模型。

4. 图像增强

Eynollah还包含了一个图像到图像的模型,用于提升低质量图像。这个模型是通过降低柏林国家图书馆文档的质量,然后以原图作为标签来训练的。

5. 尺度分类

此外还有一个图像分类器,用于对文档的尺度(如列数)进行分类。

6. 启发式方法

除了深度学习模型,Eynollah还结合了一些启发式方法来进一步优化结果:

  • 边框检测后裁剪图像
  • 放大图像以便更好地检测文本区域间的背景
  • 设置文本区域的最小面积阈值,过滤掉噪声
  • 对文本区域进行倾斜校正
  • 分析像素在X轴上的分布来分离文本行和背景
  • 为每个文本行确定边界框

Eynollah工作流程

安装与使用

Eynollah可以通过pip进行安装:

pip install eynollah

或者从源代码安装:

pip install . 

使用时,还需要下载预训练模型。可以从qurator-data.de下载,或者使用以下命令:

make models

基本的命令行用法如下:

eynollah \
-i <输入图像文件名> \
-o <输出XML或增强图像的目录> \
-m <模型目录> \
-fl <是否执行完整布局分析> \
-ae <是否调整大小并增强图像>

总结与展望

Eynollah作为一款开源的文档布局分析工具,在历史文献数字化处理中发挥着重要作用。它结合了深度学习的准确性和启发式方法的灵活性,能够有效处理复杂的文档布局。未来,随着更多训练数据的积累和算法的优化,Eynollah有望在更广泛的文档类型上实现更精细的布局分析。

对于数字人文研究者、图书馆员和档案管理员来说,Eynollah无疑是一个强大的工具。它不仅能够提高文档数字化的效率,还为后续的文本分析和信息提取奠定了基础。我们期待看到更多基于Eynollah的创新应用,推动历史文献研究的数字化转型。

参考链接

通过Eynollah,我们正在见证历史文献分析的数字化革命。它不仅是一个工具,更是连接过去与未来的桥梁,为我们打开了探索人类知识宝库的新篇章。🚀📚

编辑推荐精选

AEE

AEE

AI Excel全自动制表工具

AEE 在线 AI 全自动 Excel 编辑器,提供智能录入、自动公式、数据整理、图表生成等功能,高效处理 Excel 任务,提升办公效率。支持自动高亮数据、批量计算、不规则数据录入,适用于企业、教育、金融等多场景。

UI-TARS-desktop

UI-TARS-desktop

基于 UI-TARS 视觉语言模型的桌面应用,可通过自然语言控制计算机进行多模态操作。

UI-TARS-desktop 是一款功能强大的桌面应用,基于 UI-TARS(视觉语言模型)构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能,支持跨平台使用(Windows/MacOS),能提供实时反馈和状态显示,且数据完全本地处理,保障隐私安全。该应用集成了多种大语言模型和搜索方式,还可进行文件系统操作。适用于需要智能交互和自动化任务的场景,如信息检索、文件管理等。其提供了详细的文档,包括快速启动、部署、贡献指南和 SDK 使用说明等,方便开发者使用和扩展。

Wan2.1

Wan2.1

开源且先进的大规模视频生成模型项目

Wan2.1 是一个开源且先进的大规模视频生成模型项目,支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项,可调整分辨率、扩散步数等参数,还能对提示词进行增强。使用了多种先进技术和工具,在视频和图像生成领域具有广泛应用前景,适合研究人员和开发者使用。

爱图表

爱图表

全流程 AI 驱动的数据可视化工具,助力用户轻松创作高颜值图表

爱图表(aitubiao.com)就是AI图表,是由镝数科技推出的一款创新型智能数据可视化平台,专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型,爱图表结合强大的数据处理能力与智能化功能,致力于帮助职场人士高效处理和表达数据,提升工作效率和报告质量。

Qwen2.5-VL

Qwen2.5-VL

一款强大的视觉语言模型,支持图像和视频输入

Qwen2.5-VL 是一款强大的视觉语言模型,支持图像和视频输入,可用于多种场景,如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式,还包含了视觉处理工具,有助于开发者快速集成和使用,提升工作效率。

HunyuanVideo

HunyuanVideo

HunyuanVideo 是一个可基于文本生成高质量图像和视频的项目。

HunyuanVideo 是一个专注于文本到图像及视频生成的项目。它具备强大的视频生成能力,支持多种分辨率和视频长度选择,能根据用户输入的文本生成逼真的图像和视频。使用先进的技术架构和算法,可灵活调整生成参数,满足不同场景的需求,是文本生成图像视频领域的优质工具。

WebUI for Browser Use

WebUI for Browser Use

一个基于 Gradio 构建的 WebUI,支持与浏览器智能体进行便捷交互。

WebUI for Browser Use 是一个强大的项目,它集成了多种大型语言模型,支持自定义浏览器使用,具备持久化浏览器会话等功能。用户可以通过简洁友好的界面轻松控制浏览器智能体完成各类任务,无论是数据提取、网页导航还是表单填写等操作都能高效实现,有利于提高工作效率和获取信息的便捷性。该项目适合开发者、研究人员以及需要自动化浏览器操作的人群使用,在 SEO 优化方面,其关键词涵盖浏览器使用、WebUI、大型语言模型集成等,有助于提高网页在搜索引擎中的曝光度。

xiaozhi-esp32

xiaozhi-esp32

基于 ESP32 的小智 AI 开发项目,支持多种网络连接与协议,实现语音交互等功能。

xiaozhi-esp32 是一个极具创新性的基于 ESP32 的开发项目,专注于人工智能语音交互领域。项目涵盖了丰富的功能,如网络连接、OTA 升级、设备激活等,同时支持多种语言。无论是开发爱好者还是专业开发者,都能借助该项目快速搭建起高效的 AI 语音交互系统,为智能设备开发提供强大助力。

olmocr

olmocr

一个用于 OCR 的项目,支持多种模型和服务器进行 PDF 到 Markdown 的转换,并提供测试和报告功能。

olmocr 是一个专注于光学字符识别(OCR)的 Python 项目,由 Allen Institute for Artificial Intelligence 开发。它支持多种模型和服务器,如 vllm、sglang、OpenAI 等,可将 PDF 文件的页面转换为 Markdown 格式。项目还提供了测试框架和 HTML 报告生成功能,方便用户对 OCR 结果进行评估和分析。适用于科研、文档处理等领域,有助于提高工作效率和准确性。

飞书多维表格

飞书多维表格

飞书多维表格 ×DeepSeek R1 满血版

飞书多维表格联合 DeepSeek R1 模型,提供 AI 自动化解决方案,支持批量写作、数据分析、跨模态处理等功能,适用于电商、短视频、影视创作等场景,提升企业生产力与创作效率。关键词:飞书多维表格、DeepSeek R1、AI 自动化、批量处理、企业协同工具。

下拉加载更多