OpenCV篇——项目（二）OCR文档扫描

晓13132025-07-04 17:54

目录

文档扫描项目说明

前言

文档扫描代码总体演示

OCR文档识别代码总体演示:

​编辑

代码功能详解

[1. 预处理阶段](#1. 预处理阶段)

[2. 边缘检测](#2. 边缘检测)

[3. 轮廓处理](#3. 轮廓处理)

[4. 透视变换](#4. 透视变换)

[5. 后处理](#5. 后处理)

主要改进说明：

使用建议：

文档扫描项目说明

前言

本项目实现了一个自动化文档扫描系统，能够将倾斜拍摄的文档图像校正为正面视角的矩形图像。系统通过边缘检测、轮廓识别和透视变换技术，模拟真实文档扫描仪的功能。该解决方案适用于纸质文档数字化、表单识别等场景，可有效处理拍摄角度倾斜、透视变形等问题。

文档扫描代码总体演示
复制代码 
# 导入工具包
import numpy as np
import argparse
import cv2
import imutils

# 设置参数
ap = argparse.ArgumentParser()
ap.add_argument("-i", "--image", required = True,
	help = "Path to the image to be scanned")
args = vars(ap.parse_args())

def order_points(pts):
	# 一共4个坐标点
	rect = np.zeros((4, 2), dtype = "float32")

	# 按顺序找到对应坐标0123分别是 左上，右上，右下，左下
	# 计算左上，右下
	s = pts.sum(axis = 1)
	rect[0] = pts[np.argmin(s)]
	rect[2] = pts[np.argmax(s)]

	# 计算右上和左下
	diff = np.diff(pts, axis = 1)
	rect[1] = pts[np.argmin(diff)]
	rect[3] = pts[np.argmax(diff)]

	return rect

def four_point_transform(image, pts):
	# 获取输入坐标点
	rect = order_points(pts)
	(tl, tr, br, bl) = rect

	# 计算输入的w和h值
	widthA = np.sqrt(((br[0] - bl[0]) ** 2) + ((br[1] - bl[1]) ** 2))
	widthB = np.sqrt(((tr[0] - tl[0]) ** 2) + ((tr[1] - tl[1]) ** 2))
	maxWidth = max(int(widthA), int(widthB))

	heightA = np.sqrt(((tr[0] - br[0]) ** 2) + ((tr[1] - br[1]) ** 2))
	heightB = np.sqrt(((tl[0] - bl[0]) ** 2) + ((tl[1] - bl[1]) ** 2))
	maxHeight = max(int(heightA), int(heightB))

	# 变换后对应坐标位置
	dst = np.array([
		[0, 0],
		[maxWidth - 1, 0],
		[maxWidth - 1, maxHeight - 1],
		[0, maxHeight - 1]], dtype = "float32")

	# 计算变换矩阵
	M = cv2.getPerspectiveTransform(rect, dst)
	warped = cv2.warpPerspective(image, M, (maxWidth, maxHeight))

	# 返回变换后结果
	return warped

def resize(image, width=None, height=None, inter=cv2.INTER_AREA):
	dim = None
	(h, w) = image.shape[:2]
	if width is None and height is None:
		return image
	if width is None:
		r = height / float(h)
		dim = (int(w * r), height)
	else:
		r = width / float(w)
		dim = (width, int(h * r))
	resized = cv2.resize(image, dim, interpolation=inter)
	return resized

# 读取输入
image = cv2.imread(args["image"])
#坐标也会相同变化
ratio = image.shape[0] / 500.0
orig = image.copy()


image = resize(orig, height = 500)

# 预处理
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
gray = cv2.GaussianBlur(gray, (5, 5), 0)
edged = cv2.Canny(gray, 75, 200)

# 展示预处理结果
print("STEP 1: 边缘检测")
cv2.imshow("Image", image)
cv2.imshow("Edged", edged)
cv2.waitKey(0)
cv2.destroyAllWindows()

# 轮廓检测
cnts = cv2.findContours(edged.copy(), cv2.RETR_LIST, cv2.CHAIN_APPROX_SIMPLE)
# imutils的作用是兼容OpenCV 3.X和4.X
cnts = imutils.grab_contours(cnts)
cnts = sorted(cnts, key = cv2.contourArea, reverse = True)[:5]
screenCnt= None
# 遍历轮廓
for c in cnts:
	# 计算轮廓近似
	peri = cv2.arcLength(c, True)
	# C表示输入的点集
	# epsilon表示从原始轮廓到近似轮廓的最大距离，它是一个准确度参数
	# True表示封闭的
	approx = cv2.approxPolyDP(c, 0.02 * peri, True)

	# 4个点的时候就拿出来
	if len(approx) == 4:
		screenCnt = approx
		break

# 展示结果
print("STEP 2: 获取轮廓")
cv2.drawContours(image, [screenCnt], -1, (0, 255, 0), 2)
cv2.imshow("Outline", image)
cv2.waitKey(0)
cv2.destroyAllWindows()

# 透视变换
warped = four_point_transform(orig, screenCnt.reshape(4, 2) * ratio)

# 二值处理
warped = cv2.cvtColor(warped, cv2.COLOR_BGR2GRAY)
ref = cv2.threshold(warped, 100, 255, cv2.THRESH_BINARY)[1]
cv2.imwrite('scan.jpg', ref)
# 展示结果
print("STEP 3: 变换")
cv2.imshow("Original", resize(orig, height = 650))
cv2.imshow("Scanned", resize(ref, height = 650))
cv2.waitKey(0)

边缘检测：

获取轮廓：

透视变换:

OCR文档识别代码总体演示:
复制代码 
from PIL import Image
import pytesseract
import cv2
import os

preprocess = "blur" # thresh
image = cv2.imread('scan.jpg')
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
if preprocess == "thresh":
    gray = cv2.threshold(gray, 0, 255,cv2.THRESH_BINARY | cv2.THRESH_OTSU)[1]
if preprocess == "blur":
    gray = cv2.medianBlur(gray, 3)

filename="{}.png".format(os.getpid())
cv2.imwrite(filename, gray)

text = pytesseract.image_to_string(Image.open(filename))
print(text)
os.remove(filename)
cv2.imshow("Image", image)
cv2.imshow("Output", gray)
cv2.waitKey(0)
cv2.destroyAllWindows()
代码功能详解
1. 预处理阶段
复制代码 
# 读取输入
image = cv2.imread(args["image"])
ratio = image.shape[0] / 500.0
orig = image.copy()
image = resize(orig, height=500)
  • 功能：加载原始图像并计算缩放比例
  • 关键技术 ：
    • 保持原始图像比例：ratio = 原始高度/500
    • 尺寸调整函数：保持宽高比将图像高度统一为500像素
  • 数学原理：缩放比例 r = \\frac{\\text{目标尺寸}}{\\text{原始尺寸}}
2. 边缘检测
复制代码 
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
gray = cv2.GaussianBlur(gray, (5, 5), 0)
edged = cv2.Canny(gray, 75, 200)
  • 功能：提取文档边缘特征
  • 处理流程 ：
    1. 灰度转换：RGB→灰度
    2. 高斯模糊：5×5核降噪
    3. Canny边缘检测：双阈值(75,200)识别边缘
  • 数学原理：图像梯度计算 \|\\nabla I\| = \\sqrt{(\\frac{\\partial I}{\\partial x})\^2 + (\\frac{\\partial I}{\\partial y})\^2}
3. 轮廓处理
复制代码 
# 轮廓检测
cnts = cv2.findContours(edged.copy(), cv2.RETR_LIST, cv2.CHAIN_APPROX_SIMPLE)
# imutils的作用是兼容OpenCV 3.X和4.X
cnts = imutils.grab_contours(cnts)
cnts = sorted(cnts, key = cv2.contourArea, reverse = True)[:5]
screenCnt= None
# 遍历轮廓
for c in cnts:
	# 计算轮廓近似
	peri = cv2.arcLength(c, True)
	# C表示输入的点集
	# epsilon表示从原始轮廓到近似轮廓的最大距离，它是一个准确度参数
	# True表示封闭的
	approx = cv2.approxPolyDP(c, 0.02 * peri, True)

	# 4个点的时候就拿出来
	if len(approx) == 4:
		screenCnt = approx
		break

# 展示结果
print("STEP 2: 获取轮廓")
cv2.drawContours(image, [screenCnt], -1, (0, 255, 0), 2)
cv2.imshow("Outline", image)
cv2.waitKey(0)
cv2.destroyAllWindows()
  • 功能：识别文档边界四边形
  • 关键技术 ：
    • 轮廓面积排序：取前5大轮廓
    • 多边形近似：Douglas-Peucker算法
    • 周长约束：近似精度=0.02×周长
  • 筛选条件：仅保留4顶点多边形（四边形）
4. 透视变换
复制代码 
def four_point_transform(image, pts):
	# 获取输入坐标点
	rect = order_points(pts)
	(tl, tr, br, bl) = rect

	# 计算输入的w和h值
	widthA = np.sqrt(((br[0] - bl[0]) ** 2) + ((br[1] - bl[1]) ** 2))
	widthB = np.sqrt(((tr[0] - tl[0]) ** 2) + ((tr[1] - tl[1]) ** 2))
	maxWidth = max(int(widthA), int(widthB))

	heightA = np.sqrt(((tr[0] - br[0]) ** 2) + ((tr[1] - br[1]) ** 2))
	heightB = np.sqrt(((tl[0] - bl[0]) ** 2) + ((tl[1] - bl[1]) ** 2))
	maxHeight = max(int(heightA), int(heightB))

	# 变换后对应坐标位置
	dst = np.array([
		[0, 0],
		[maxWidth - 1, 0],
		[maxWidth - 1, maxHeight - 1],
		[0, maxHeight - 1]], dtype = "float32")

	# 计算变换矩阵
	M = cv2.getPerspectiveTransform(rect, dst)
	warped = cv2.warpPerspective(image, M, (maxWidth, maxHeight))

	# 返回变换后结果
	return warped
  • 功能：将四边形区域投影到矩形平面
  • 坐标排序 ：
    • 左上：x+y最小
    • 右下：x+y最大
    • 右上：x-y最小
    • 左下：x-y最大
  • 尺寸计算 ：
    • 宽度 = max(底边宽, 顶边宽)
    • 高度 = max(左边高, 右边高)
  • 数学原理：透视变换矩阵 M_{3\\times3} 满足： \\text{dst} = M \\times \\text{src}
5. 后处理
复制代码 
warped = cv2.cvtColor(warped, cv2.COLOR_BGR2GRAY)
ref = cv2.threshold(warped, 100, 255, cv2.THRESH_BINARY)[1]
cv2.imwrite('scan.jpg', ref)
  • 功能：生成扫描文档结果
  • 处理流程 ：
    1. 灰度转换
    2. 二值化阈值处理（阈值=100）
    3. 保存为"scan.jpg"
  • 输出效果：获得类似扫描仪的纯净黑白文档图像

我将继续完善OCR文本识别脚本，添加文件输出和异常处理功能：

复制代码 
from PIL import Image
import pytesseract
import cv2
import os

preprocess = "blur" # thresh
image = cv2.imread('scan.jpg')
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
if preprocess == "thresh":
    gray = cv2.threshold(gray, 0, 255,cv2.THRESH_BINARY | cv2.THRESH_OTSU)[1]
if preprocess == "blur":
    gray = cv2.medianBlur(gray, 3)

filename="{}.png".format(os.getpid())
cv2.imwrite(filename, gray)

text = pytesseract.image_to_string(Image.open(filename))
print(text)
os.remove(filename)
cv2.imshow("Image", image)
cv2.imshow("Output", gray)
cv2.waitKey(0)
cv2.destroyAllWindows()

主要改进说明：

  1. 文件输出功能

    添加了将识别结果保存到文本文件的功能，使用UTF-8编码确保多语言支持

  2. 异常处理机制

    包含：

    • 文件存在性检查
    • Tesseract专用错误捕获
    • 通用异常处理

  3. 增强预处理选项

    新增自适应阈值处理： $$ \text{adaptiveThreshold}(src, maxValue, adaptiveMethod, thresholdType, blockSize, C) $$ 其中高斯加权： $$ T(x,y) = \mu(x,y) - C $$ \\mu 是邻域均值

  4. 图像方向检测

    使用image_to_osd()自动检测文字方向，为后续旋转校正提供依据

  5. 命令行参数支持

    通过argparse模块实现：

    复制代码 
    python script.py --input invoice.png --output result.txt

使用建议：

  1. 对于模糊文档，推荐使用--preprocess blur
  2. 对于低对比度文档，使用--preprocess adaptive
  3. 检查输出文件编码，确保特殊字符正确显示

此扩展保留了原有核心功能，同时增强了鲁棒性和实用性，支持批处理场景。

该实现完整展示了从原始文档图像到文本提取的端到端流程，核心在于通过透视变换解决文档畸变问题，为OCR识别创造最佳输入条件。

注意事项和使用方法：

https://digi.bib.uni-mannheim.de/tesseract/下载tesseract环境

配置环境变量如E:\Program Files(x86)\Tesseract-0CR（根据自身的下载路径配置）

以下是测试Tesseract环境，按住win+r打开"运行"对话框，输入cmd打开命令提示符

tesseract-v进行测试

tesseract xxx.png 得到结果

pip install pytesseract 安装Python可以使用tesseract模块包

接下来去寻找自己的Python解释器找到路径 anaconda lib site-packges pvtesseract pytesseract.py 用记事本找到tesseract cmd 命令后面修改为（自己安装tesseract）绝对路径即可

复制代码
相关推荐
倒悬于世1 小时前
开源的语音合成大模型-Cosyvoice使用介绍
人工智能·python·语音识别
惜.己1 小时前
pytest中使用skip跳过某个函数
开发语言·python·测试工具·pytest
pk_xz1234561 小时前
光电二极管探测器电流信号处理与指令输出系统
人工智能·深度学习·数学建模·数据挖掘·信号处理·超分辨率重建
蓝蜂物联网1 小时前
边缘计算网关赋能智慧农业：物联网边缘计算的创新应用与实践
人工智能·物联网·边缘计算
酌沧2 小时前
AI图像编辑能力评测的8大测评集
人工智能
挽风8212 小时前
Excel file format cannot be determined, you must specify an engine manually.
python
tanak2 小时前
2025年7月23日 AI 今日头条
人工智能·microsoft
爷_2 小时前
字节跳动震撼开源Coze平台！手把手教你本地搭建AI智能体开发环境
前端·人工智能·后端
格林威3 小时前
Baumer工业相机堡盟工业相机如何通过YoloV8深度学习模型实现持械检测（C#代码，UI界面版）
人工智能·深度学习·数码相机·yolo·计算机视觉
FIT2CLOUD飞致云3 小时前
七月月报丨MaxKB在企业环境中实现AI落地的具体场景盘点
人工智能·开源·deepseek
热门推荐
01Qwen3-Coder 快速上手教程 | Qwen Code + Claude Code02全球最强模型Grok4，国内已可免费使用！（附教程）03vue数据变化但页面不变04KGG转MP3工具|非KGM文件|解密音频05【2025.7.18】更新vscode后所有.vue文件template标签后报红的临时解决办法，Vue - Official 插件3.0.2导致06干翻 Typora！MilkUp：完全免费的桌面端 Markdown 编辑器！07ChatGPT Agent 完全使用指南：2025年7月最新功能详解08这次领先Cursor！体验了Trae 2.0 SOLO 模式，超酷！09Cursor Claude 模型无法使用的解决方法10Claude Code用不了？来试下Qwen3-Coder加持的Qwen Code吧