计算机视觉项目-文档扫描OCR识别

😊😊😊欢迎来到本博客😊😊😊
本次博客内容将继续讲解关于OpenCV的相关知识
🎉作者简介：⭐️⭐️⭐️目前计算机研究生在读。主要研究方向是人工智能和群智能算法方向。目前熟悉python网页爬虫、机器学习、计算机视觉（OpenCV）、群智能算法。然后正在学习深度学习的相关内容。以后可能会涉及到网络安全相关领域，毕竟这是每一个学习计算机的梦想嘛！
📝目前更新：🌟🌟🌟目前已经更新了关于网络爬虫的相关知识、机器学习的相关知识、目前正在更新计算机视觉-OpenCV的相关内容。

💛💛💛本文摘要💛💛💛
本次博客我们介绍一下关于文档扫描识别项目的全部过程

文章目录

🌟项目介绍前言

我们在日常生活或者办公中，可能都使用过万能扫描王这个软件，或者qq中的照片文字扫描功能，然后直接利用扒下来的文档直接复制粘贴直接使用，那么他这个原理是什么呢？又是怎么用OpenCV来实现的呢。我们这次博客就来全面介绍一下这个整体流程。并进行真实案例操作。

🌟文档识别步骤简介

我们要完成对于文档图片的扫描工作。大致流程主要步骤分为以下几个步骤。

1. 图像边缘检测。
2. 获取轮廓信息。
3. 透视变换，经过旋转、平移等操作对文档图片进行处理。
4. OCR识别图片当中每一个字符。

🌟项目图像处理步骤详细介绍

首先我们要对两个文件进行处理，我们先来看一下预处理的图片什么样子。

我们这里以一个英文的文件，一个自己用中文的一首诗来去做这个项目。因为怕其他东西干扰边缘，于是自己画了个框把边缘圈起来了。
首先我们还是要导入第三方库，然后获取参数。

import numpy as np
import argparse
import cv2

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

这里我们一定要会这种导入参数的形式，非常方便，后期设置参数也非常方便，指定路径就完全OK了。
这里我们只需要指定一个传入参数，原始图像就OK了。
然后我们使用DEBUG操作一步一步进行操作，首先我们对图像进行一个resize操作。

image = cv2.imread(args["image"])

ratio = image.shape[0]/500.0
orig = image.copy()
image = resize(orig, height =500)

首先我们读取image数据，然后对图像进行一个求比例的操作。后期会用得到，再对图像进行resize操作时候，我们会把图像的h和w设置成同一比例。这里我们对image进行了resize函数操作，那么resize函数是什么呢？我们继续看。

defresize(image, width=None, height=None, inter=cv2.INTER_AREA):
    dim =None(h, w)= image.shape[:2]if width isNoneand height isNone:return image
    if width isNone:
        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

上方我们传入resize函数的参数是

orig, height = 500

，那么orig是原始图像的copy，因为取轮廓是不可逆的，所以我们用copy去做，这里我们提取到图像的h和w，因为我们设置了height所以直接跳到

if width is None

，比例

r=height/float(h)

，为了把width设置成和height同比例，所以进行了

dim = (int(w * r), height)

，完成之后呢，就把dim传入到

cv2.resize(image,dim,interpolation=inter)

，这里就把图像进行了同比例的resize操作。完成之后呢我们继续DEBUG继续看。

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

对图像进行了形态学处理，分别是颜色空间转换，也就是彩色BGR转灰度，然后，进行了一次高斯滤波操作，可以让原图像模糊，目的就是为了去除噪音，最后计算出边缘信息，阈值设置为75到200。

cv2.imshow("Image", image)
cv2.imshow("Edged", edged)
cv2.waitKey(0)
cv2.destroyAllWindows()

展示一下处理之后的结果。

这就是边缘检测之后的结果了，但是边缘检测之后的结果是一个点一个点的，所以我们要进行轮廓的提取。然后我们要进行一个轮廓的提取，我们要对图像中最外面的轮廓进行提取，因为我们要提取文档。

cnts = cv2.findContours(edged.copy(), cv2.RETR_LIST, cv2.CHAIN_APPROX_SIMPLE)[0]
cnts =sorted(cnts, key = cv2.contourArea, reverse =True)[:5]

这里我们首先进行了一个轮廓的提取，里面的参数

cv2.RETR_LIST

表示检测的轮廓不建立等级关系，

cv2.CHAIN_APPROX_SIMPLE

这里表示只简单的进行提取轮廓，用四个点来展示轮廓。因为这里返回了两个参数，老版本的CV返回的三个参数，但是我们只要轮廓参数就好了。所以设置索引为0，得到轮廓后呢，我们把轮廓按照面积大小进行了排序，由大到小，并且只取前五个。

for c in cnts:# 计算轮廓近似
    peri = cv2.arcLength(c,True)
    approx = cv2.approxPolyDP(c,0.02* peri,True)# 4个点的时候就拿出来iflen(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()

这里

cv2.arcLength

表示计算轮廓的周长。

cv2.approxPolyDP

主要功能是把一个连续光滑曲线折线化，其中

0.02 * peri

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。当轮廓是四个点的时候就拿出来，然后我们进行一个显示。得到的结果是：

接下来就是一个最主要的一个部分，就是透视变换，也就是说我们想把后面的背景全部去掉，也就是想把我们轮廓检测出来的这一块拿出来单独成一个图像，然后方便我们去OCR文字识别。

warped = four_point_transform(orig, screenCnt.reshape(4,2)* ratio)

我们直接跳进

four_point_transform

函数中。

deffour_point_transform(image, pts):
    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

首先利用

order_points

获取坐标。我们可以看到首先设定了rect这个0矩阵，用来传我们的坐标点，按顺序找到对应坐标0123分别是 左上，右上，右下，左下

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

    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

这里

pts.sum(axis = 1)

就是把横纵坐标进行一个相加的操作，那么最小的肯定就是左上的点，最大的肯定就是右下。

np.diff(pts, axis = 1)

是求diff=y-x, 那么最小的是右上，最大的是左下。这样我们就把轮廓的四个点拿出来了。返回去我们继续看，

(tl, tr, br, bl) = rect

这里拿到了这四个点。widthA和widthB分别计算矩形上下的边长分别是多少，我们需要选择一个相对更大的，来把整个文件图片框住。heightA和heightB就是对于竖直的两个边进行了判断。然后定义一个转换后的坐标值。然后需要计算一个如何将当前图像转换到定义好的图像，需要计算一个转换矩阵M，然后我们通过使用原始矩阵*M就可以得到处理后的结果了。

然后对于经过透视变换的图进行形态学处理。并且展示结果。

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

这里我们就把整个轮廓给抠出来了，接下来就是识别的操作。

🌟项目OCR识别操作介绍

首先我们先要对OCR文件进行下载：下载地址

用到的是最后一个。或者

pip install pytesseract

。
导入第三方库

from PIL import Image
import pytesseract
import cv2
import os

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),lang='chi_sim')print(text)
cv2.imshow("Image", image)
cv2.imshow("Output", gray)
cv2.waitKey(0)

这里就是一些形态学处理，其中包括转灰度，然后进行中值滤波或者二值。最后通过

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

，进行输出识别内容。最后一个参数指定语言的。然后显示出来把图像。

这里可能我写的这个不太规范，我们再找另外一个图测试一下。用了自己的身份证图做了一下，最终得到的结果是：

这里由于隐私进行了遮挡，但是事实证明，这样确实准确率要高很多很多。但是整体来说识别准确度并不特别高，后期我们会继续优化这个程序，期待后续更新吧。

🔎支持：🎁🎁🎁如果觉得博主的文章还不错或者您用得到的话，可以免费的关注一下博主，如果三连收藏支持就更好啦！这就是给予我最大的支持！