计算机视觉项目-文档扫描OCR识别，开源新作

先自我介绍一下，小编浙江大学毕业，去过华为、字节跳动等大厂，目前阿里P7

深知大多数程序员，想要提升技能，往往是自己摸索成长，但自己不成体系的自学效果低效又漫长，而且极易碰到天花板技术停滞不前！

因此收集整理了一份《2024年最新大数据全套学习资料》，初衷也很简单，就是希望能够帮助到想自学提升又不知道该从何学起的朋友。

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，涵盖了95%以上大数据知识点，真正体系化！

由于文件比较多，这里只是将部分目录截图出来，全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频，并且后续会持续更新

如果你需要这些资料，可以添加V获取：vip204888 （备注大数据）

正文

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。

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

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。  
 ![在这里插入图片描述](https://img-blog.csdnimg.cn/009ba15d6fc44c9cb6e281dd6f041b47.png)


![在这里插入图片描述](https://img-blog.csdnimg.cn/97e5c05d66c04d408df24ff4ee64a926.png)


![在这里插入图片描述](https://img-blog.csdnimg.cn/dde05ad9cd2343d2aac4249d6e14837f.png)


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
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()

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：  
 ![在这里插入图片描述](https://img-blog.csdnimg.cn/1bd84d8ff9f647a396f2bd1d852a8def.png)  
 ![在这里插入图片描述](https://img-blog.csdnimg.cn/c4d9bfb555844f779745327747f059df.png)


![在这里插入图片描述](https://img-blog.csdnimg.cn/c0c02fcc30914f64a5f5d5f63b09af65.png)


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。

def four_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

def order_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)

![在这里插入图片描述](https://img-blog.csdnimg.cn/d6c0407ef5bf4bbd978761f8add8fd48.png)  
 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]( )  
 ![在这里插入图片描述](https://img-blog.csdnimg.cn/f04bde2a4f6a4ba2b42a236018469564.png)  
 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)

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化的资料的朋友，可以添加V获取：vip204888 （备注大数据）

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！

学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。**

需要这份系统化的资料的朋友，可以添加V获取：vip204888 （备注大数据）
[外链图片转存中…(img-voYWM9UA-1713434468461)]

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！