使用Python从PDF中提取饼图数据：图像处理方法详解

from pdf2image import convert_from_path
import os

def convert_pdf_to_images(pdf_path, output_folder="pdf_images"):
    """
    将PDF文件转换为一系列图像文件。
    """
    if not os.path.exists(output_folder):
        os.makedirs(output_folder)

    try:
        # 将PDF转换为PIL Image对象列表
        # dpi参数可以控制输出图像的分辨率
        images = convert_from_path(pdf_path, dpi=300)

        image_paths = []
        for i, image in enumerate(images):
            image_name = f"page_{i+1}.png"
            image_path = os.path.join(output_folder, image_name)
            image.save(image_path, "PNG")
            image_paths.append(image_path)
            print(f"Saved {image_path}")
        return image_paths
    except Exception as e:
        print(f"Error converting PDF: {e}")
        return []

# 假设您的PDF文件路径
# pdf_file = 'path/to/your/document.pdf'
# 示例中使用的PDF链接是：https://i.dell.com/sites/csdocuments/CorpComm_Docs/en/carbon-footprint-poweredge-m630.pdf
# 您需要手动下载该PDF并提供本地路径
# For demonstration, let's assume we have a PDF named 'carbon-footprint-poweredge-m630.pdf'
# image_files = convert_pdf_to_images('carbon-footprint-poweredge-m630.pdf')
# print(f"Generated image files: {image_files}")

import cv2
import numpy as np
import matplotlib.pyplot as plt

def extract_pie_chart_data(image_path):
    """
    从图像中提取饼图切片数据。
    """
    # 1. 加载图像
    image = cv2.imread(image_path)
    if image is None:
        print(f"Error: Could not load image from {image_path}")
        return

    # 创建一个副本用于显示，避免在原始图像上绘制
    display_image = image.copy()

    # 2. 转换为灰度图
    gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

    # 3. 图像二值化
    # 这一步对于分离饼图切片非常关键，可能需要根据具体图像调整阈值
    # 这里使用Otsu's二值化，它会自动确定最佳阈值
    # 或者可以尝试手动阈值：_, thresh = cv2.threshold(gray, 128, 255, cv2.THRESH_BINARY_INV)
    _, thresh = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU)

    # 4. 形态学操作：去除噪声，连接断开的区域
    # 膨胀操作可以帮助连接饼图切片之间的微小间隙
    kernel = np.ones((3,3), np.uint8)
    thresh = cv2.dilate(thresh, kernel, iterations=1)
    thresh = cv2.erode(thresh, kernel, iterations=1) # 腐蚀操作可能有助于平滑边缘

    # 5. 查找轮廓
    # RETR_EXTERNAL 只检测外层轮廓，适合饼图的每个切片
    # CHAIN_APPROX_SIMPLE 压缩水平、垂直和对角线段，只保留它们的端点
    contours, _ = cv2.findContours(thresh, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

    print(f"Number of potential slices found: {len(contours)}")

    pie_chart_data = []
    total_area = 0

    # 6. 分析每个轮廓（切片）
    # 过滤掉过小的轮廓，它们可能是噪声
    min_contour_area = 100 # 根据图像分辨率和饼图大小调整

    # 假设饼图是图像中最大的圆形或椭圆形区域，先找到它
    # 或者，如果饼图是唯一的，我们可以直接处理所有大轮廓

    # 尝试找到一个大的圆形或椭圆形区域作为饼图的整体
    # 我们可以通过计算每个轮廓的面积和形状来判断
    potential_pie_contours = []
    for contour in contours:
        area = cv2.contourArea(contour)
        if area > min_contour_area:
            # 计算轮廓的边界框
            x, y, w, h = cv2.boundingRect(contour)
            aspect_ratio = float(w)/h
            # 过滤掉非常扁平或细长的轮廓，饼图切片通常更接近圆形或扇形
            if 0.5 < aspect_ratio < 2.0 and area > 500: # 面积阈值可能需要根据实际情况调整
                potential_pie_contours.append(contour)

    # 如果找到了多个大的轮廓，可能需要进一步筛选，例如找到最接近圆形的
    # 这里简化处理，假设所有大的potential_pie_contours都是饼图的切片

    # 计算所有有效切片的总面积
    for contour in potential_pie_contours:
        total_area += cv2.contourArea(contour)

    for i, contour in enumerate(potential_pie_contours):
        area = cv2.contourArea(contour)
        if total_area > 0:
            percentage = (area / total_area) * 100
        else:
            percentage = 0

        # 获取轮廓的中心点和颜色（如果需要）
        M = cv2.moments(contour)
        if M["m00"] != 0:
            cx = int(M["m10"] / M["m00"])
            cy = int(M["m01"] / M["m00"])
        else:
            cx, cy = 0, 0 # 无法计算中心点

        # 尝试获取切片的平均颜色 (这需要原始彩色图像)
        mask = np.zeros(image.shape[:2], dtype=np.uint8)
        cv2.drawContours(mask, [contour], -1, 255, -1)
        mean_color = cv2.mean(image, mask=mask)[:3] # BGR格式

        pie_chart_data.append({
            "slice_id": i + 1,
            "area": area,
            "percentage": f"{percentage:.2f}%",
            "center": (cx, cy),
            "mean_color_bgr": mean_color
        })

        # 在图像上绘制轮廓和中心点
        cv2.drawContours(display_image, [contour], -1, (0, 255, 0), 2) # 绿色轮廓
        cv2.circle(display_image, (cx, cy), 5, (0, 0, 255), -1) # 红色中心点

    # 显示处理后的图像
    plt.figure(figsize=(10, 8))
    plt.imshow(cv2.cvtColor(display_image, cv2.COLOR_BGR2RGB))
    plt.title('Image with Detected Pie Chart Slices')
    plt.axis('off')
    plt.show()

    return pie_chart_data

# 假设您已经将PDF转换为图像，并指定了其中一个图像的路径
# For example:
# image_file_path = 'pdf_images/page_1.png' # 替换为实际的图像路径
# extracted_data = extract_pie_chart_data(image_file_path)
# print("\nExtracted Pie Chart Data:")
# for item in extracted_data:
#     print(item)