使用Python，OpenCV进行银行支票数字和符号的OCR

最新推荐文章于 2024-08-07 19:32:37 发布
最新推荐文章于 2024-08-07 19:32:37 发布
阅读量2.1k 收藏 6
点赞数
分类专栏： OCR 图像处理 Python OpenCV 文章标签： opencv python 人工智能 银行支票数字和符号OCR
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_40985985/article/details/119979001
版权
Python OpenCV 同时被 3 个专栏收录
262 篇文章 95 订阅
订阅专栏
图像处理
236 篇文章 43 订阅
订阅专栏
OCR
19 篇文章 2 订阅
订阅专栏

使用Python，OpenCV进行银行支票数字和符号的OCR（第一部分）

上一篇介绍了：使用Pyhton，OpenCV进行卡类型及16位卡号数字的OCR，这一篇将介绍如何使用Python，OpenCV从支票图像中提取OCR银行账户和路由号码（数字和符号）。

OCR银行支票比OCR信用卡更难——这主要是因为银行支票符号由多个部分组成。因此不能假设参考字体图像中的每个轮廓都映射到单个字符。
相反需要额外的逻辑来检查每个轮廓的尺寸，并确定检测到的是数字还是符号。

在找到符号的情况下，需要抓取下两个轮廓来构建边界框（因为银行支票控件字符由三个不同的部分组成）。

1. 效果图

MICR E-13B字符集简单提取过程如下：原始图 VS 灰度图 VS 阈值化图 VS 简单提取效果图

可以看到符号区域虽然每个符号由3个轮廓组成，但也被展示为3个轮廓。下一步高级复杂提取则将符号区域的3个轮廓提取为一个。
在这里插入图片描述
MICR E-13B字符集高级复杂提取效果如下：
在这里插入图片描述
银行支票提取数字和符号OCR效果图如下：
在这里插入图片描述
银行支票提取数字和符号OCR过程图如下：
原始图 VS 灰度图 VS 黑帽图 VS Scharr梯度图 VS
矩形内核形态学闭合图 VS Octus阈值化二值化图 VS 清除边界图

  • 灰度图：忽略色彩的影响
  • 黑帽图：在浅色背景下查找暗区域（明亮的背景下查找暗的区域——帐号部分）
  • Scharr梯度图：了解颜色分布闭合部分缝隙
  • 矩形内核形态学闭合图：闭合数字字符轮廓之间的小的缝隙
  • Octus阈值化二值化图：将图像分为白色前景和黑色背景，便于轮廓提取
  • 清除边界图：清除掉靠近边界的任何像素，很有效
  • 轮廓过滤：根据轮廓的面积和宽高比过滤掉无效的轮廓
    在这里插入图片描述在这里插入图片描述

2. 原理

2.1 MICR E-13B字体

MICR（Magnetic Ink Character Recognition 磁性墨水字符识别）是一种用于处理文档的金融行业技术。您经常会在对账单和支票的底部发现这种E-13B格式的磁性墨水。

银行支票上的数字是MICR E-13B字体，如下图包括类似font-a字体，0~9的10个数字，及后边的4个符号区，共14个字符。

  • 数字：数字0-9
  • ⑆ ：中转银行分行分隔符
  • ⑇ ：金额，交易金额分隔符
  • ⑈ ：客户帐号分隔符
  • ⑉ ：破折号：数字分隔符

在这里插入图片描述

2.2 从MICR E-13B参考图像中提取数字和符号

将使用OpenCV轮廓和一点Python迭代器切片“魔法”来实现提取。
数字区相对容易一些，一个数字一个轮廓。然而每个符号包含3个轮廓。

3. 源码

3.1 MICR E-13B符号和数字提取

# 银行支票（从MICR字体中提取数字和符号提取）
# MICR（Magnetic Ink Character Recognition 磁性墨水字符识别）是一种用于处理文档的金融行业技术。
# 经常会在对账单和支票的底部发现这种E-13B格式的磁性墨水。

# USAGE
# python bank_check_ocr.py --image images/example_check.jpg --reference images/micr_chars.png

# 导入必要的包
from skimage.segmentation import clear_border # pip install -U scikit-image
from imutils import contours # pip install --upgrade imutils
import numpy as np # pip install numpy
import argparse
import imutils
import cv2

# 从MICR中提取数字和符号
# image： MICR E-13B字体图像（在代码下载中提供）。
# charCnts：包含参考图像中字符轮廓的列表
# minW：表示最小字符宽度的可选参数。这有助于当遇到2或3个小轮廓时，它们一起构成一个MICR字符。默认值为5像素的宽度。
# minH：最小字符高度。此参数是可选的，默认值为15像素。rational的用法与minW相同
def extract_digits_and_symbols(image, charCnts, minW=5, minH=15):
    # 获取字符轮廓列表的内置Python迭代器
    # 并分别初始化存放ROI和位置的列表
    charIter = charCnts.__iter__()
    rois = []
    locs = []

    # Python迭代器没有Java等语言中的“hasNext”方法——相反，当iterable对象中没有更多项时，Python将抛出异常。
    # 因此在函数中使用try-catch块来解释此异常。
    # 保持遍历字符轮廓，知道到达list末尾
    while True:
        try:
            # 从list获取下一个字符轮廓，计算边界框，初始化ROI
            c = next(charIter)
            (cX, cY, cW, cH) = cv2.boundingRect(c)
            roi = None

            # 检查是否边界框宽度、高度足够大，代表着其是否是数字，还是需要合并3个轮廓为1个的符号区
            if cW >= minW and cH >= minH:
                # 提取ROI
                roi = image[cY:cY + cH, cX:cX + cW]
                rois.append(roi)
                locs.append((cX, cY, cX + cW, cY + cH))

            # 反之，认为其是符号区的特殊符号之一（需要3个合并一个的部分）
            # MICR符号区包含3部分，需要合并
            else:
                # 从迭代器提取接下来的俩部分，然后计算边界框
                parts = [c, next(charIter), next(charIter)]
                (sXA, sYA, sXB, sYB) = (np.inf, np.inf, -np.inf,
                                        -np.inf)
                # 遍历每一部分
                for p in parts:
                    # 计算每一部分的边界框，并更新纪薄变量
                    (pX, pY, pW, pH) = cv2.boundingRect(p)
                    sXA = min(sXA, pX)
                    sYA = min(sYA, pY)
                    sXB = max(sXB, pX + pW)
                    sYB = max(sYB, pY + pH)

                # 提取ROI
                roi = image[sYA:sYB, sXA:sXB]
                rois.append(roi)
                locs.append((sXA, sYA, sXB, sYB))

        # 优雅的退出循环
        except StopIteration:
            break
    # 返回区域rois和位置locs的元祖
    return (rois, locs)

# 构建命令行参数及解析
# --image：输入图像路径
# --reference： MICR E-13B字体参考图像
ap = argparse.ArgumentParser()
ap.add_argument("-i", "--image", required=True,
                help="path to input image")
ap.add_argument("-r", "--reference", required=True,
                help="path to reference MICR E-13B font")
args = vars(ap.parse_args())

# 为每个字符和符号创建参考字符名称list，和它们在图片中出现的顺序一样
# T = Transit 划界银行分行路由中转
# U = On-us 界定客户账号
# A = Amount 界定交易金额
# D = Dash 分隔数字的各个部分，如路由或帐户
# 由于OpenCV不支持unicode绘图字符，需要定义“T”表示传输，“U”表示客户帐号，“A”表示数量，“D”表示破折号。
charNames = ["1", "2", "3", "4", "5", "6", "7", "8", "9", "0",
             "T", "U", "A", "D"]

# 从磁盘加载MICR字体图像，并进行预处理（转换灰度图、保持宽高比缩放为宽度400、Octus二值化逆阈值化）以保证该图像以白色前景和黑色背景呈现，便于轮廓提取
ref = cv2.imread(args["reference"])
ref = cv2.cvtColor(ref, cv2.COLOR_BGR2GRAY)
ref = imutils.resize(ref, width=400)
ref = cv2.threshold(ref, 0, 255, cv2.THRESH_BINARY_INV |
                    cv2.THRESH_OTSU)[1]

# 从MICR图像查找字符的轮廓线，并从左到右排序轮廓
refCnts = cv2.findContours(ref.copy(), cv2.RETR_EXTERNAL,
                           cv2.CHAIN_APPROX_SIMPLE)
# 注意：OpenCV 2.4、3和4返回的轮廓不同，因此下一行代码来兼容不同版本及返回值
refCnts = imutils.grab_contours(refCnts)
refCnts = contours.sort_contours(refCnts, method="left-to-right")[0]

# 复制一个原始图像
clone = np.dstack([ref.copy()] * 3)

# 遍历排序过的轮廓
for c in refCnts:
    # 计算边界框，并绘制边界框绿色在图像上
    (x, y, w, h) = cv2.boundingRect(c)
    cv2.rectangle(clone, (x, y), (x + w, y + h), (0, 255, 0), 2)

# 展示应用简单轮廓方法的结果
cv2.imshow("Simple Method", clone)
cv2.waitKey(0)

# 使用更高级的方法：从轮廓列表中提取数字和符号，然后初始化一个字典来匹配字符名称和ROI
(refROIs, refLocs) = extract_digits_and_symbols(ref, refCnts,
                                                minW=10, minH=20)
chars = {}

# 重新初始化克隆图像以便于绘制轮廓
clone = np.dstack([ref.copy()] * 3)

# 遍历参考list的名称、区域及位置
for (name, roi, loc) in zip(charNames, refROIs, refLocs):
    # 在输出图像上绘制字符边界框
    (xA, yA, xB, yB) = loc
    cv2.rectangle(clone, (xA, yA), (xB, yB), (0, 255, 0), 2)

    # 缩放ROI区域为固定大小36*36，然后更新匹配字符名称和ROI图像的字典
    roi = cv2.resize(roi, (36, 36))
    chars[name] = roi

    # 展示字符ROI到屏幕
    cv2.imshow("Char", roi)
    cv2.waitKey(0)

# 展示更高级方法提取的效果图
cv2.imshow("Better Method", clone)
cv2.waitKey(0)

3.2 银行支票数字和符号OCR

# 银行支票（从MICR字体中提取数字和符号提取）
# MICR（Magnetic Ink Character Recognition 磁性墨水字符识别）是一种用于处理文档的金融行业技术。
# 经常会在对账单和支票的底部发现这种E-13B格式的磁性墨水。

# USAGE
# python bank_check_ocr2.py --image images/example_check.jpg --reference images/micr_chars.png

import argparse

import cv2
import imutils
import numpy as np  # pip install numpy
# 导入必要的包
from imutils import contours  # pip install --upgrade imutils
from skimage.segmentation import clear_border  # pip install -U scikit-image


# 从MICR中提取数字和符号（根据轮廓查找和定位数字和符号）
# image： MICR E-13B字体图像（在代码下载中提供）。
# charCnts：包含参考图像中字符轮廓的列表
# minW：表示最小字符宽度的可选参数。这有助于当遇到2或3个小轮廓时，它们一起构成一个MICR字符。默认值为5像素的宽度。
# minH：最小字符高度。此参数是可选的，默认值为15像素。rational的用法与minW相同
def extract_digits_and_symbols(image, charCnts, minW=5, minH=15):
    # 获取字符轮廓列表的内置Python迭代器
    # 并分别初始化存放ROI和位置的列表
    charIter = charCnts.__iter__()
    rois = []
    locs = []

    # Python迭代器没有Java等语言中的“hasNext”方法——相反，当iterable对象中没有更多项时，Python将抛出异常。
    # 因此在函数中使用try-catch块来解释此异常。
    # 保持遍历字符轮廓，知道到达list末尾
    while True:
        try:
            # 从list获取下一个字符轮廓，计算边界框，初始化ROI
            c = next(charIter)
            (cX, cY, cW, cH) = cv2.boundingRect(c)
            roi = None

            # 检查是否边界框宽度、高度足够大，代表着其是否是数字，还是需要合并3个轮廓为1个的符号区
            if cW >= minW and cH >= minH:
                # 提取ROI
                roi = image[cY:cY + cH, cX:cX + cW]
                rois.append(roi)
                locs.append((cX, cY, cX + cW, cY + cH))

            # 反之，认为其是符号区的特殊符号之一（需要3个合并一个的部分）
            # MICR符号区包含3部分，需要合并
            else:
                # 从迭代器提取接下来的俩部分，然后计算边界框
                parts = [c, next(charIter), next(charIter)]
                (sXA, sYA, sXB, sYB) = (np.inf, np.inf, -np.inf,
                                        -np.inf)
                # 遍历每一部分
                for p in parts:
                    # 计算每一部分的边界框，并更新纪薄变量
                    (pX, pY, pW, pH) = cv2.boundingRect(p)
                    sXA = min(sXA, pX)
                    sYA = min(sYA, pY)
                    sXB = max(sXB, pX + pW)
                    sYB = max(sYB, pY + pH)

                # 提取ROI
                roi = image[sYA:sYB, sXA:sXB]
                rois.append(roi)
                locs.append((sXA, sYA, sXB, sYB))

        # 捕获停止迭代异常，以优雅的退出循环
        except StopIteration:
            break
    # 返回区域rois和位置locs的元祖
    return (rois, locs)


# 构建命令行参数及解析
# --image：输入图像路径
# --reference： MICR E-13B字体参考图像
ap = argparse.ArgumentParser()
ap.add_argument("-i", "--image", required=True,
                help="path to input image")
ap.add_argument("-r", "--reference", required=True,
                help="path to reference MICR E-13B font")
args = vars(ap.parse_args())

# 为每个字符和符号创建参考字符名称list，和它们在图片中出现的顺序一样
# T = Transit 划界银行分行路由中转
# U = On-us 界定客户账号
# A = Amount 界定交易金额
# D = Dash 分隔数字的各个部分，如路由或帐户
# 由于OpenCV不支持unicode绘图字符，需要定义“T”表示传输，“U”表示客户帐号，“A”表示数量，“D”表示破折号。
charNames = ["1", "2", "3", "4", "5", "6", "7", "8", "9", "0",
             "T", "U", "A", "D"]

# 从磁盘加载MICR字体图像，并进行预处理（转换灰度图、保持宽高比缩放为宽度400、Octus二值化逆阈值化）以保证该图像以白色前景和黑色背景呈现，便于轮廓提取
ref = cv2.imread(args["reference"])
ref = imutils.resize(ref, width=400)
cv2.imshow("ref_origin", ref)
ref = cv2.cvtColor(ref, cv2.COLOR_BGR2GRAY)
cv2.imshow("ref_gray", ref)
ref = cv2.threshold(ref, 0, 255, cv2.THRESH_BINARY_INV |
                    cv2.THRESH_OTSU)[1]
cv2.imshow("ref_thresh", ref)

# 从MICR图像查找字符的轮廓线，并从左到右排序轮廓
refCnts = cv2.findContours(ref.copy(), cv2.RETR_EXTERNAL,
                           cv2.CHAIN_APPROX_SIMPLE)
# 注意：OpenCV 2.4、3和4返回的轮廓不同，因此下一行代码来兼容不同版本及返回值
refCnts = imutils.grab_contours(refCnts)
refCnts = contours.sort_contours(refCnts, method="left-to-right")[0]

# 使用更高级的方法：从轮廓列表中提取数字和符号，然后初始化一个字典来匹配字符名称和ROI
refROIs = extract_digits_and_symbols(ref, refCnts,
                                     minW=10, minH=20)[0]
chars = {}

# 遍历参考list的名称、区域及位置
for (name, roi) in zip(charNames, refROIs):
    # 缩放ROI区域为固定大小36*36，然后更新匹配字符名称和ROI图像的字典
    roi = cv2.resize(roi, (36, 36))
    chars[name] = roi

# 将实例化一个矩形内核，加载并提取包含帐号的check映像的底部20%：
# 初始化一个list来存储检查的OCR
# an empty list to store the output of the check OCR
rectKernel = cv2.getStructuringElement(cv2.MORPH_RECT, (17, 7))
output = []

# 加载输入图像，获取其维度，应用数组切片获取图像底部的20%（包含帐号信息的部分）
# 注意：如果支票被旋转过，看起来是颠倒的或垂直的，那么需要先添加逻辑来旋转它，在支票上应用自上而下的透视变换
image = cv2.imread(args["image"])
origin = image.copy()
# image = imutils.resize(image, width=700)
cv2.imshow("origin", image)
(h, w,) = image.shape[:2]
delta = int(h - (h * 0.2))
bottom = image[delta:h, 0:w]

# 转换底部图像为灰度图像，并应用黑帽形态学操作以在浅色背景下查找暗区域（明亮的背景下查找暗的区域——帐号部分）
gray = cv2.cvtColor(bottom, cv2.COLOR_BGR2GRAY)
cv2.imshow("gray", gray)
blackhat = cv2.morphologyEx(gray, cv2.MORPH_BLACKHAT, rectKernel)
cv2.imshow("blackhat", blackhat)

# 计算黑帽图像在x方向上的Scharr梯度，缩放范围为[0，255]
gradX = cv2.Sobel(blackhat, ddepth=cv2.CV_32F, dx=1, dy=0,
                  ksize=-1)
gradX = np.absolute(gradX)
(minVal, maxVal) = (np.min(gradX), np.max(gradX))
gradX = (255 * ((gradX - minVal) / (maxVal - minVal)))
gradX = gradX.astype("uint8")
cv2.imshow("gradX", gradX)

# 进一步缩小字符之间的间距并对图像进行二值化：
# 应用矩形内核形态学闭合操作以帮助闭合字符之间的缝隙，然后应用Octus阈值化方法二值化图像
gradX = cv2.morphologyEx(gradX, cv2.MORPH_CLOSE, rectKernel)
cv2.imshow("morphologyEx", gradX)
thresh = cv2.threshold(gradX, 0, 255,
                       cv2.THRESH_BINARY | cv2.THRESH_OTSU)[1]
cv2.imshow("thresh", thresh)

# 在预处理检查图像时，形态学+阈值操作无疑会留下“假阳性”检测区域————可以应用一些额外的处理来帮助删除这些操作：
# 移除图像边界像素来简单地清除边界；结果很微妙，但非常有用：
thresh = clear_border(thresh)
cv2.imshow("clear_border", thresh)

# 在支票上清楚地找到了三组数字。但是如何实际提取每个单独的组？
# 在阈值化图像上寻找轮廓，并初始化一个list来存储每个组的位置
groupCnts = cv2.findContours(thresh.copy(), cv2.RETR_EXTERNAL,
                             cv2.CHAIN_APPROX_SIMPLE)
groupCnts = imutils.grab_contours(groupCnts)
groupLocs = []

# 遍历每组的轮廓
for (i, c) in enumerate(groupCnts):
    # 计算轮廓的边界框
    (x, y, w, h) = cv2.boundingRect(c)

    # 仅当ROI轮廓足够大的时候，认为其是合法的组轮廓
    if w > 50 and h > 15:
        groupLocs.append((x, y, w, h))
        cv2.rectangle(thresh, (x, y), (x + w, y + h), (255, 255, 0), -1)

cv2.imshow("contours", thresh)
# 从左到右排序数字帐号的组轮廓
groupLocs = sorted(groupLocs, key=lambda x: x[0])

# 遍历每组轮廓
for (gX, gY, gW, gH) in groupLocs:
    # 初始化grouplist来存储输出的字符
    groupOutput = []

    # 从灰度图像提取字符组的ROI，人后应用阈值化从卡背景中分割数字
    group = gray[gY - 5:gY + gH + 5, gX - 5:gX + gW + 5]
    group = cv2.threshold(group, 0, 255,
                          cv2.THRESH_BINARY_INV | cv2.THRESH_OTSU)[1]
    cv2.imshow("Group", group)
    cv2.waitKey(0)

    # 寻找组中的轮廓，并对它们进行从左到右排序
    charCnts = cv2.findContours(group.copy(), cv2.RETR_EXTERNAL,
                                cv2.CHAIN_APPROX_SIMPLE)
    charCnts = imutils.grab_contours(charCnts)
    charCnts = contours.sort_contours(charCnts,
                                      method="left-to-right")[0]

    # 提取组中的数字及符号
    (rois, locs) = extract_digits_and_symbols(group, charCnts)
    # 遍历组中的ROI区域
    for roi in rois:
        # 初始化一个分数list来存储模板匹配的得分
        # 缩放ROI区域到固定的大小，36*36
        scores = []
        roi = cv2.resize(roi, (36, 36))

        # 遍历参考数字列表和其ROI
        for charName in charNames:
            # 应用基于关系的模板匹配，并获取分数，更新分数list
            result = cv2.matchTemplate(roi, chars[charName],
                                       cv2.TM_CCOEFF)
            (_, score, _, _) = cv2.minMaxLoc(result)
            scores.append(score)

        # 获取字符ROI中匹配得到最高分数的字符作为分类的结果
        groupOutput.append(charNames[np.argmax(scores)])

    # 在每组绘制矩形框，并在其上方输出OCR识别的结果（绘制组输出字符（路由、检查和检查编号）
    cv2.rectangle(image, (gX - 10, gY + delta - 10),
                  (gX + gW + 10, gY + gY + delta), (0, 0, 255), 2)
    cv2.putText(image, "".join(groupOutput),
                (gX - 10, gY + delta - 25), cv2.FONT_HERSHEY_SIMPLEX,
                0.95, (0, 0, 255), 3)

    # 把组内的识别结果加入到总的OCR输出list
    output.append("".join(groupOutput))

# 展示OCR识别的信息到屏幕
print("Check OCR: {}".format(" ".join(output)))
cv2.imshow("Check OCR", image)
cv2.waitKey(0)

参考

程序媛一枚~
关注
专栏目录
使用Python，OpenCV进行卡类型及16位卡号数字的OCR
qq_40985985的博客
08-28 5218
这篇博客将介绍如何通过OpenCV和Python使用模板匹配执行光学字符识别（OCR）。具体来说，将使用Python+OpenCV实现模板匹配算法，以自动识别卡的类型和以及16位卡号数字。
基于opencv -python--银行卡识别
diezhiju0462的博客
09-03 2080
import cv2 def sort_contours(cnts, method="left-to-right"): reverse = False i = 0 if method == "right-to-left" or method == "bottom-to-top": reverse = True i...
ocr python opencv
weixin_32059509的博客
07-30 35
python相关学习资料：https://edu.51cto.com/video/3832.htmlhttps://edu.51cto.com/video/3502.htmlhttps://edu.51cto.com/video/1158.htmlOCR技术在Python和OpenCV中的实现 OCR（Optical...
Python，OpenCV中的光学字符识别（OCR Optical Character Recognition)
qq_40985985的博客
08-13 2011
这篇博客将介绍什么是光学字符识别OCR，介绍OCR发展的简短历史，发现真实的OCR应用程序，了解OCR与方向和脚本检测（OSD）之间的区别，OSD是许多最先进的OCR引擎中的常见组件。并了解图像预处理和后处理对于提高OCR结果的重要性。
Opencv文档扫描OCR识别（python）
Boombl的博客
07-05 708
案例©Fu Xianjun. All Rights Reserved. 一、读取图像 知识储备：常见的图像分割方法 1. 基于阈值的分割方法：全局阈值法、局部阈值法等 2. 基于区域的分割方法：分水岭方法、区域生长法等 3. 基于边缘的分割方法：Canny边缘检测、轮廓检测等 4. 基于特定理论的分割方法：聚类、模糊集等（机器学习） 5. 基于神经网络的分割方法：？？？？ 知识储备：区域生长算法的概念 选取某个种子点(一般实际交互时就是鼠标点击的位置)...
使用Python，OpenCV进行银行支票数字和符号的OCR!
2401_83817769的博客
04-22 572
sYA = min(sYA, pY)sXB = max(sXB, pX + pW)sYB = max(sYB, pY + pH)roi = image[sYA:sYB, sXA:sXB]rois.append(roi)locs.append((sXA, sYA, sXB, sYB))except StopIteration:breakreturn (rois, locs)ap = argparse.ArgumentParser()ap.add_argument(“-i”, “–image”, require
2024年Python最全使用Python，OpenCV进行银行支票数字和符号的OCR!
2401_84692110的博客
04-30 352
except StopIteration:breakreturn (rois, locs)ap = argparse.ArgumentParser()ap.add_argument(“-i”, “–image”, required=True,help=“path to input image”)ap.add_argument(“-r”, “–reference”, required=True,help=“path to reference MICR E-13B font”)args = vars(ap.pa
ocr python opencv_如何使用（opencv/python）来实现OCR处
weixin_42367233的博客
01-28 300
今天我们来介绍一下如何使用(opencv/python)来实现OCR处理银行票据。文末有代码和相关文档下载！在第一部分中，我们将讨论两个主题：1.首先，我们将了解MICR E-13B字体，美国，英国，加拿大等国家用于支票上都是使用的这种字体。2.其次，我们将讨论如何从MICR E-13B参考图像中提取数字和符号。这将使我们能够提取每个字符的ROI，然后将其用于OCR银行支票。MICR E-13B ...
OpenCV-Python项目实战：OCR识别
我不是程序员的博客
07-08 2299
OpenCV-Python项目实战：识别小票 如图就是要识别和处理的对象。 得到情报： 1.背景是一种颜色，小票是另外的一种颜色 2.小票及小票内容是倾斜的（考虑使用透视） 3识别内容需要我另外下载OCR附加包 任务开始！ 一：准备工作 为了保证下面的图像显示问题 我先引入cv_show 函数，再把库加进去 import cv2 import numpy as np def cv_show(name, img): cv2.imshow(name, img) cv2.waitKey(0)
【项目实战】用python的opencv库和pytesseract库实现OCR文字识别
m0_56339807的博客
08-26 1500
文字OCR识别一直是计算机视觉领域的一大重点话题，python作为主流语言，已经将该功能整合成为一个特定的库，从而可以便捷的实现文档OCR识别。本文中使用opencv库实现了输入任何视角与低清晰度的图片，将视角化为垂直纸面视角以及将图片清晰度提高输出，然后利用pytesseract库识别图片中文字并且进行打印输出。
python+opencv-tessert OCR 实现简易的车牌的检测与识别
09-29
花了十天时间零基础学习了opencv，并做了一个车牌检测与识别的设计，效果不错，与大家分享一下，源代码，原图片，以及OCR的中文包都在这里面
simple-ocr-opencv, 一个使用opencv的简单 python.zip
09-18
simple-ocr-opencv, 一个使用opencv的简单 python 简单的python OCR 使用opencv和numpy的简单 Pythonic OCR引擎。这个问题最初是由启发的。基本概念分割为了在图像上执行 OCR，必须在源图像上执行几个步骤。 分割是指识别代表字符的图像区域的过程。
Python+OpenCV+Tesseract实现OCR字符识别
qq_54827663的博客
11-26 2546
本文简要介绍了如何使用Python+OpenCV+Tesseract实现OCR字符识别
Python，OpenCV中的光学字符识别OCR文章汇总
qq_40985985的博客
04-17 602
Python，OpenCV中的光学字符识别（OCR Optical Character Recognition) 使用Python，OpenCV+OCR检测护照图像中的机器可读区域（MRZ Machine-Readable Zones） Python，OpenCV基于支持向量机SVM的手写数字OCR Python，OpenCV使用KNN来构建手写数字及字母识别OCR Windows下命令行及Java+Tesseract-OCR对图像进行（字母+数字
【OpenCV-Python实战项目】01-OCR文本检测
最新发布
weixin_44702962的博客
08-07 1255
利用OpenCV+Tesseract对图像中的文本进行检测的基础，然后基于基础实现常见应用。
Python实现OCR文字识别
weixin_50814640的博客
03-10 5694
OCR（Optical Character Recognition，光学字符识别）是指通过扫描纸质文档或照片，通过计算机对图像记录的文字进行识别的一种技术。本文介绍如何使用Python来实现OCR文字识别技术。
【OpenCV + Python】OCR识别
zhouzongzong的博客
06-30 9636
import cv2 import numpy as np from PIL import Image import pytesseract as tess def recognize_text(img): gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) cv2.imshow("binimg", gray) ret, binnar...
最新python 获取内存和cpu的使用率_python获取cpu占用率，面试官面试
2401_84140040的博客
05-08 362
我们在看视频学习的时候，不能光动眼动脑不动手，比较科学的学习方法是在理解之后运用它们，这时候练手项目就很适合了，只是里面的项目比较多，水平也是参差不齐，大家可以挑自己能做的项目去练练。这是我花了几天的时间去把Python所有方向的技术点做的整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。psutil.cpu_count(logical=False) # CPU物理核心。psutil.cpu_count() # CPU逻辑数量。
第十九篇【传奇开心果系列】Python的OpenCV库技术点案例示例：文字识别与OCR
jackchuanqi的博客
02-15 1694
OpenCV文字识别与OCR：用于识别图像中的文字内容，并进行光学字符识别。OpenCV（Open Source Computer Vision Library）是一个开源的计算机视觉库，提供了丰富的图像处理计算机视觉算法。虽然CV 本身并不包含专门的 OCR（Optical Character Recognition，光学字符识别）功能，但可以配合其他 OCR 引擎或库来实现图像中的文字识别。OCR 是一种将图像中的文本内容转换为可编辑文本的技术。
评论 6
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

程序媛一枚~

您的鼓励是我创作的最大动力。

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值