如何解码 LTTextLine.get_text() 的输出？

Question

我是 PDFminer 的新手。我注意到在使用 PDFminer get_text() 命令时，某些符号/标点没有以文字形式输出。例如，“-”出现为“\xe2\x80\x93”，单引号 ' 出现为“\xe2\x80\x99”。这是我使用的命令：打印(LTTextLine.get_text().encode('UTF-8'))有人可以帮助我理解如何阅读这些内容，并将其转换回字面形式吗？

Answer 1

我正在扫描旧照片，我想自动化从扫描仪的（嘈杂的）纯白色背景中提取照片的过程，以便我有一张透明的照片。程序的这一部分现在可以工作了，但我还有一个小问题。

现在可以准确地检测（和提取）照片，但它会在整个照片周围的背景中留下小而清晰的黑色边框。我试图对透明蒙版应用高斯模糊，但这不会使黑色平滑（并且它使照片的边框看起来“模糊”）。

这是我必须提取照片并生成透明蒙版的代码：

# Load the scan, and convert it to RGBA.

original = cv2.imread('input.jpg')

original = cv2.cvtColor(original, cv2.COLOR_BGR2BGRA)

# Make the scan grayscale, and apply a blur.

image = cv2.cvtColor(original, cv2.COLOR_BGR2GRAY)

image = cv2.GaussianBlur(image, (25, 25), 0)

# Binarize the scan.

retval, threshold = cv2.threshold(image, 50, 255, cv2.THRESH_BINARY)

# Find the contour of the object.

contours, hierarchy = cv2.findContours(threshold, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

largestContourArea = -1

largestContour = -1

for contour in contours:

    area = cv2.contourArea(contour)

    if area > largestContourArea:

        largestContourArea = area

        largestContour = contour

# Generate the transparency mask.

mask = numpy.zeros(original.shape, numpy.uint8)

cv2.drawContours(mask, [ largestContour ], -1, (255, 255, 255, 255), -1)

# Apply the transparency mask.

original = cv2.multiply(mask.astype(float) / 255.0, original.astype(float))

cv2.imwrite('output.png', original)

我有一个样本扫描和使用样本扫描的上述代码的结果。如您所见，照片周围有一个轻微的黑色边框，我想将其删除。