pdf-layout-analysis

0. 언어 정의

* layout -analysis 
    * In computer vision, document layout analysis is the process of identifying and categorizing the regions of interest in the scanned image of a text document.
    * 문서 레이아웃을 분류하고 식별하는 과정
* document
    * text와 image 또는 chart로 이루어진 파일
        * 주로 pdf
        * 필요시 word, hwp -> pdf 변환 프로그램 개발 

1. 목적

* text의 청각화 또는 OCR (Optical character recognition)에 활용하기 위한 모델 개발 

2. 요구 사항

* 단 (열) classification
    * 논문, 공문서 등 대부분의 document가 1단 또는 2단으로 구성되어 있음
    * 문서 편집 툴인 word에서는 최대 12단 편집 기능 제공
* docuemnt 전처리
    *  skew correction
        * 좌우 균형이 맞지 않는 document 존재 가능성
    * noise removal
    * background separation
* document layout point calculation
* reading order for document calculation

3. 운영 환경

* OS  : Microsoft Windows 버전 1803 (OS 빌드 : 17134.829)
* CPU : intel i5-8250U CPU @  1.60GHz
* RAM : 4 GB

4. 개발 환경

*  운영 환경과 동일

5. 사용 언어

* python
    * Python 3.7.3

6. 프로세스

7. 진행 상황

step	내용	날짜	결과
1	Make block of contents	2019.07.15
2	Valid block detection based on dilate repetition rate	2019.07.17	dilate repetition rate == 1 : 이미지와 캡션 분리 가능, == 2 : 이미지와 캡션 분리 불가능
3	Valid block detection based on consecutive pixel position checker value change of RLSA	2019.07.17	consecutive pixel position checker value : value와 contents block의 size는 정비례, 일정 range를 벗어나면 image와 text를 구분하는 contents block 생성 불가능 4어절 이상, 문단에 적합

Valid block detection based on parameter change of RLSA and dilate repetition rate

순서	consecutive pixel position checker value	dilate repetition rate	text 최소 크기	text 평균	text 최대 크기	이미지
1	1	1
2	1	2
3	5	1
4	5	2
5	10	1
6	10	2
7	20	1
8	40	1
9	100	1

* 테스트 문서 : Khoddami-Vishteh HR, Narenjiha H, Noori R, Olyaei A, Fard-Sanei A, Fekri M, Farhoudian A. Component Analysis of the Illegal Handmade Pills and Capsules for Self-Medicating Substance Dependence in Tehran, Iran. page (3)
* 2480 x 3508 크기의 원본을 400 * 600 크기로 변환 후 테스트한 결과
* 문서 크기에 따른 결과의 차이가 있을 수 있으니 추가 실험이 필요함