当前位置:

首页 > 编程开发 > 基于Python+OpenCV实现文档扫描与OCR识别系统

基于Python+OpenCV实现文档扫描与OCR识别系统

一、项目简介 今天分享一个基于 Python + OpenCV 的文档扫描与OCR识别系统。这个项目可以自动检测文档边缘、进行透视变换校正,并使用 Tesseract OCR 提取文档中的文字内容。 项目效果: 输入:一张倾斜的文档照片输出:校正后的正面文档视图 + 识别出的文字内容 二、项目演示

本文目录

    一、项目简介

    今天分享一个基于 Python + OpenCV 的文档扫描与OCR识别系统。这个项目可以自动检测文档边缘、进行透视变换校正,并使用 Tesseract OCR 提取文档中的文字内容。

    基于Python+OpenCV实现文档扫描与OCR识别系统

    项目效果:

    • 输入:一张倾斜的文档照片
    • 输出:校正后的正面文档视图 + 识别出的文字内容

    二、项目演示

    2.1 扫描流程

    • 原始图像 → 读取文档照片
    • 边缘检测 → 识别文档轮廓
    • 透视变换 → 校正为正面视图
    • 二值化处理 → 便于OCR识别

    2.2 OCR识别流程

    • 读取扫描图像 → 读取处理后的文档图像
    • 图像预处理 → 二值化或中值模糊
    • 文字识别 → 使用Tesseract提取文字
    • 输出结果 → 打印识别的文字内容

    三、技术栈

    技术用途
    Python编程语言
    OpenCV图像处理核心库
    NumPy数值计算
    Tesseract OCR文字识别引擎
    pytesseractTesseract Python封装
    Pillow图像读取

    四、项目结构

    Scan/

    ├── scan.py # 文档扫描核心模块

    ├── test.py # OCR文字识别模块

    ├── scan.jpg # 默认输入/输出图像

    ├── images/ # 示例图像目录

    │ ├── page.jpg # 示例文档图像

    │ └── receipt.jpg # 示例收据图像

    └── Tesseract-OCR/ # Tesseract OCR引擎(内置)

    五、核心代码详解

    5.1 文档扫描模块 (scan.py)

    5.1.1 角点排序函数

    def order_points(pts):
        # 初始化4个坐标点
        rect = np.zeros((4, 2), dtype = "float32")
        
        # 按顺序找到对应坐标:左上、右上、右下、左下
        s = pts.sum(axis = 1)
        rect[0] = pts[np.argmin(s)]  # 左上:x+y最小
        rect[2] = pts[np.argmax(s)]  # 右下:x+y最大
        
        diff = np.diff(pts, axis = 1)
        rect[1] = pts[np.argmin(diff)]  # 右上:x-y最小
        rect[3] = pts[np.argmax(diff)]  # 左下:x-y最大
        
        return rect

    原理:通过计算坐标点的和与差来确定四个角点的位置,确保顺序正确。

    5.1.2 透视变换函数

    def four_point_transform(image, pts):
        rect = order_points(pts)
        (tl, tr, br, bl) = rect
        
        # 计算目标宽度和高度
        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))
        
        return warped

    原理:根据原始四个角点和目标矩形,计算透视变换矩阵,将倾斜的文档校正为正面视图。

    5.1.3 主流程

    # 1. 读取图像并缩放
    image = cv2.imread(args["image"])
    ratio = image.shape[0] / 500.0
    orig = image.copy()
    image = resize(orig, height = 500)
    
    # 2. 边缘检测
    gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
    gray = cv2.GaussianBlur(gray, (5, 5), 0)
    edged = cv2.Canny(gray, 75, 200)
    
    # 3. 轮廓检测
    cnts = cv2.findContours(edged.copy(), cv2.RETR_LIST, cv2.CHAIN_APPROX_SIMPLE)[0]
    cnts = sorted(cnts, key=cv2.contourArea, reverse=True)[:5]
    
    # 4. 找到四边形轮廓
    for c in cnts:
        peri = cv2.arcLength(c, True)
        approx = cv2.approxPolyDP(c, 0.02 * peri, True)
        if len(approx) == 4:
            screenCnt = approx
            break
    
    # 5. 透视变换和二值化
    warped = four_point_transform(orig, screenCnt.reshape(4, 2) * ratio)
    warped = cv2.cvtColor(warped, cv2.COLOR_BGR2GRAY)
    ref = cv2.threshold(warped, 100, 255, cv2.THRESH_BINARY)[1]
    cv2.imwrite('scan.jpg', ref)

    步骤说明:

    • 读取图像并按比例缩放
    • 灰度化 → 高斯模糊 → Canny边缘检测
    • 查找轮廓并按面积排序
    • 通过轮廓逼近找到四边形(文档边缘)
    • 进行透视变换和二值化处理

    5.2 OCR识别模块 (test.py)

    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)
    
    # 预处理
    if preprocess == "thresh":
        gray = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY | cv2.THRESH_OTSU)[1]
    elif preprocess == "blur":
        gray = cv2.medianBlur(gray, 3)
    
    # 调用Tesseract OCR
    filename = "{}.png".format(os.getpid())
    cv2.imwrite(filename, gray)
    pytesseract.pytesseract.tesseract_cmd = r'./Tesseract-OCR/tesseract.exe'
    text = pytesseract.image_to_string(Image.open(filename))
    print(text)
    os.remove(filename)

    预处理方式:

    • thresh:二值化处理,适用于对比度较高的图像
    • blur:中值模糊处理,适用于有噪点的图像

    六、安装与运行

    6.1 安装依赖

    pip install numpy opencv-python pytesseract pillow

    6.2 运行文档扫描

    # 使用默认图像
    python scan.py
    ​
    # 指定输入图像
    python scan.py -i images/page.jpg

    6.3 运行OCR识别

    python test.py

    七、使用技巧

    7.1 图像采集建议

    • 光线充足:避免阴影和反光
    • 对比度明显:文档与背景颜色差异大
    • 边缘清晰:文档边界完整可见
    • 适度距离:不要太近或太远

    7.2 参数调整

    • Canny边缘检测阈值:cv2.Canny(gray, 75, 200),根据图像调整
    • 轮廓逼近精度:0.02 * peri,值越小轮廓越接近原始
    • 二值化阈值:cv2.threshold(warped, 100, 255, ...),根据图像亮度调整

    八、常见问题

    Q1: OCR识别率低怎么办?

    A:尝试以下方法:

    1. 确保图像清晰,对比度高
    2. 调整预处理方式(thresh 或 blur)
    3. 检查图像是否倾斜或模糊
    4. 增加训练数据(添加中文训练数据支持中文识别)

    Q2: 轮廓检测不到文档边缘?

    A:可能原因:

    1. 文档与背景对比度不足
    2. 图像质量太差
    3. 调整Canny边缘检测阈值
    4. 尝试调整轮廓逼近参数

    Q3: 如何支持中文识别?

    A:下载中文训练数据 chi_sim.traineddata,放入 Tesseract-OCR/tessdata/ 目录,然后修改代码:

    text = pytesseract.image_to_string(Image.open(filename), lang='chi_sim')

    九、项目扩展

    批量处理:支持批量扫描多个文档

    图形界面:添加PyQt或Tkinter界面

    实时扫描:使用摄像头实时扫描

    多语言支持:添加多种语言的OCR训练数据

    文档分类:根据内容自动分类文档

    十、总结

    本文介绍了一个基于 Python + OpenCV 的文档扫描与OCR识别系统,通过边缘检测、轮廓提取、透视变换和OCR识别等技术,实现了从文档照片到文字提取的完整流程。

    核心知识点:

    • 图像预处理(灰度化、高斯模糊、边缘检测)
    • 轮廓检测与筛选
    • 透视变换校正
    • Tesseract OCR文字识别

    希望这个项目对大家有所帮助,如果有任何问题或建议,欢迎在评论区留言交流!

    本站声明:本文内容由网友自发贡献,版权归原作者所有,本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容,请联系bd@zhengruan.com
    作者最新文章
    编程开发 Python
    相关文章 更多
    python删除一个列表里的重复元素的方法与代码示例
    python删除一个列表里的重复元素的方法与代码示例

    学习如何使用Python高效删除列表中的重复元素。本文提供5种常见方法的代码示例,涵盖保持顺序与不保持顺序的场景,适合初学者和进阶开发者参考。

    Python写接口的步骤及完整代码示例
    Python写接口的步骤及完整代码示例

    详细讲解使用Python编写Web接口的核心步骤与完整代码示例,涵盖环境准备、路由定义、数据校验、服务启动及调试测试方法。

    codex怎么读取word文档及docx文件操作教程
    codex怎么读取word文档及docx文件操作教程

    介绍如何利用编程工具读取和解析Word文档(docx格式),涵盖基础文本提取代码示例、结构化数据处理逻辑,以及处理复杂排版时的技术局限与替代方案。

    怎么在Python中调用C语言代码提升性能
    怎么在Python中调用C语言代码提升性能

    详细讲解在Python中调用C语言代码提升性能的完整实践指南,包含原理分析、编译步骤、ctypes与CFFI具体实现、性能对比及常见陷阱。

    Python与C语言的性能差异及底层原理
    Python与C语言的性能差异及底层原理

    深入解析Python与C语言在执行效率上的数量级差异,从编译机制、变量内存布局、动态类型推断到GIL锁,系统阐明底层核心原理。

    Python和C语言哪个更适合编程入门
    Python和C语言哪个更适合编程入门

    客观对比Python与C语言在心智负担、底层机制与学习反馈上的核心差异,提供清晰有据的选择标准与切实的入门学习路径。

    selenium上传文件教程本地文件路径设置方法
    selenium上传文件教程本地文件路径设置方法

    深入解析Selenium处理文件上传的技术细节,涵盖标准HTML控件的路径直接注入法与非标准控件的系统级模拟方案,提供Windows与Linux环境下的路径设置最佳实践及常见异常排查。

    大数据开发语言选型:Java对比Scala与Python的优缺点及适用场景
    大数据开发语言选型:Java对比Scala与Python的优缺点及适用场景

    针对大数据工程场景,系统对比Java、Scala与Python在执行性能、生态结合、开发效率和维护成本上的核心差异,给出清晰的架构选型依据与落地方案。

    langgraph python guide中文入门教程详解
    langgraph python guide中文入门教程详解

    本篇LangGraph Python中文入门教程详解,系统梳理StateGraph状态机定义、节点编写、边与条件路由、检查点持久化(MemorySaver)等核心机制,提供从环境安装到完整循环智能体构建的代码示例与实操指导。

    Windows 安装 Python:从官方入口到虚拟环境的可复现实践
    Windows 安装 Python:从官方入口到虚拟环境的可复现实践

    面向后端开发者,基于 Python 官方文档说明如何在 Windows 上安装 Python、创建 venv 虚拟环境及使用 pip 管理依赖。包含可复制命令、验证方法及工具选择边界,避免常见配置误区。

    查看更多
    精品专题 更多
    装机必备
    装机必备

    正软商城装机必备专区,精选办公、浏览器、安全防护、影音播放、压缩解压、设计创作和系统工具等电脑常用正版软件,帮助用户快速完成新电脑软件配置。

    Windows
    Windows

    正软商城Windows软件专区,汇集适用于Windows电脑的办公、设计、安全防护、影音播放、开发工具和系统优化软件,提供软件介绍、系统要求、正版授权及购买下载服务。

    PDF教程
    PDF教程

    正软商城PDF教程频道提供PDF编辑、转换、合并、拆分、压缩及格式处理方法,同时介绍常用PDF软件和工具的使用技巧。

    Mac软件 更多
    讯飞智作 网页版
    讯飞智作 网页版
    Windows/ macOS/ Linux

    讯飞智作是一款基于语音合成技术、虚拟人驱动技术与数字人形象声音构建能力的 AI 数字人音视频创作平台。

    火山引擎 网页版
    火山引擎 网页版
    Windows/ macOS/ Linux

    火山引擎是字节跳动旗下企业级云与AI服务平台。聚焦大模型核心能力,依托字节自研豆包多模态大模型,凭借火山方舟一站式平台,提供模型精调、推理部署、智能应用搭建等全链路服务,结合高性能AI算力,助力各行业快速落地大模型数字化与智能化应用。

    Aperty macOS版
    Aperty macOS版
    macOS

    Aperty 是 Skylum 推出的 AI 人像修图软件,支持自然肤质修饰、瑕疵处理、面部与身体调整、预设及批量同步。

    WINDOWS 更多
    讯飞智作 网页版
    讯飞智作 网页版
    Windows/ macOS/ Linux

    讯飞智作是一款基于语音合成技术、虚拟人驱动技术与数字人形象声音构建能力的 AI 数字人音视频创作平台。

    火山引擎 网页版
    火山引擎 网页版
    Windows/ macOS/ Linux

    火山引擎是字节跳动旗下企业级云与AI服务平台。聚焦大模型核心能力,依托字节自研豆包多模态大模型,凭借火山方舟一站式平台,提供模型精调、推理部署、智能应用搭建等全链路服务,结合高性能AI算力,助力各行业快速落地大模型数字化与智能化应用。

    PixTV 网页版
    PixTV 网页版
    Windows

    PixTV 是一款在浏览器中使用的 AI 视觉内容创作平台,提供图片、视频、音频、文字生成、AI 分镜、局部重绘、提示词反推和无限画布等工具,适合短剧、漫剧、广告及社交媒体内容制作。