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

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

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！