画像からテキストエリアを抽出する

ある論文で使用していた標記のプログラムを動かしてみようと作者のBill Moorierさんのサイトにアクセスしてコード（１ファイル）をダウンロードしました。ちなみに、現在、このリンクは彼のサイトで公開していないようです。論文中にURLがあったのでアクセスできました。

で、このコードをコンパイルしたところエラー。。。com.sun.image.codec.jpegパッケージがdeprecatedになったことが原因でググると対策はImageIOを使えとのこと。

で、以下が書き替えて動いたコードのdiffです。確かに便利になっていますね。ImageIOを使うと１行で入出力できます。

18c18
< import com.sun.image.codec.jpeg.*;
---
> import javax.imageio.ImageIO;
408d407
<             JPEGImageEncoder encoder = JPEGCodec.createJPEGEncoder( out );
416c415
<             encoder.encode( contrastjpg );
---
>             ImageIO.write(contrastjpg, "jpeg",  out);
592,593c591
<             JPEGImageDecoder decoder = JPEGCodec.createJPEGDecoder( in );
<             BufferedImage image = decoder.decodeAsBufferedImage();
---
>             BufferedImage image = ImageIO.read(in);
600,601c598
<             JPEGImageEncoder encoder = JPEGCodec.createJPEGEncoder( out );
<             encoder.encode( myget.isolateText( boxes ) );
---
>             ImageIO.write(myget.isolateText( boxes ), "jpeg", out);

ちなみにコードはこちら（gist）に置きました。

ちなみに、実行してみた結果は以下のような感じです。赤枠線がテキストエリアとして認識した結果になっているようです。

コードを読んでいませんが、論文には平均輝度を求めてそれより高い値を文字の部分と捉え塊があればテキストエリアと認識する。。。といったことが書かれていました。塊と見なす閾値を調整しないとうまくいかないのでしょうね。たぶん。