项目：文档扫描OCR识别

已于 2024-07-17 16:06:43 修改
阅读量604 收藏 22
点赞数 10
分类专栏： 项目相关 文章标签： ocr python
于 2024-07-17 15:57:48 首次发布
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_55317476/article/details/140497702
版权

项目：文档扫描OCR识别

文章目录

一.整体流程演示

1.边缘检测

​ 下图右边是输入图像，左边是通过边缘检测后的输出图像。我们需要关注的是图片的主题而不是背景，我们需要识别到我们要检测的主题。

QQ_1721179383160

2.获取轮廓

​ 基于轮廓检测的方法，得到需要识别的物体的轮廓QQ_1721179497330

3.透视变化

​ 将文档变换，去掉所有的背景信息，平移+旋转+翻转

QQ_1721179551125

4.OCR字符识别

​ 分析图片中的字符信息，可以通过使用一些目前开源的工具包来实现。

二.文档轮廓提取实现

​ 首先我们读取输入图像：

# 读取输入
image = cv2.imread(args["image"])
#坐标也会相同变化
ratio = image.shape[0] / 500.0
orig = image.copy()
image = resize(orig, height = 500)

​ 这里的ratio是我们变换的比例，orig是对于原图的复制。然后我们将原图的复制版本传入到resize函数中，resize函数的实现细节如下：

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

​ 这个函数的功能是通过我们指定的h(传入的height)来计算比例®是多少，基于比例来计算图像相应的w和h，最后通过w和h来进行resize操作，接下来就是一些常规的图像的预处理操作：

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

​ 1.转成灰度图，2.高斯滤波操作去除噪声点，剔除干扰项，3.检测边缘，通过边缘检测函数。接下来可以展示一下我们边缘检测的结果：

# 展示预处理结果
print("STEP 1: 边缘检测")
cv2.imshow("Image", image)//原图
cv2.imshow("Edged", edged)//边缘检测后的图像
cv2.waitKey(0)
cv2.destroyAllWindows()

​ 展示效果如下（换了一张图片）：
QQ_1721180560484

​ 边缘检测之后，我们需要对图像进行轮廓检测。代码如下：

# 轮廓检测
cnts = cv2.findContours(edged.copy(), cv2.RETR_LIST, cv2.CHAIN_APPROX_SIMPLE)[1]
cnts = sorted(cnts, key = cv2.contourArea, reverse = True)[:5]

​ 观察上图，我们知道，一个图像是有很多轮廓的，一般情况下都是一个很大的轮廓，包含着一些小轮廓。所以我们现在要做的是：1.寻找轮廓，2.对找到的轮廓依据关键字key的contourArea（面积）进行排序，得到前五个最大的轮廓。然后我们进行遍历轮廓。

# 遍历轮廓
for c in cnts:
	# 计算轮廓近似
	peri = cv2.arcLength(c, True)//长度
	# C表示输入的点集
	# epsilon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
	# True表示封闭的
	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

​ approxPolyDP函数是对一些不完整的轮廓点进行近似。 0.02 * peri是epsilon。默认是长度的百分之二。我们如果近似后得到了一个矩形，那我们就可以把这个轮廓给提取出来了。使用screenCnt这个变量来得到我们轮廓的边缘信息。我们对结果进行展示：

# 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()

​ 下面是我们绘图后的展示结果，绿色的部分就是我们通过近似得到的图像的边缘信息的外框：

QQ_1721181319610

三.原始与变换坐标计算

​ 接下来我们要进行一个透视变换，因为一开始的图像一般都是歪歪扭扭的，我们要通过变换，让图像变正。在图像的变换过程中，有几个点是我们必须要知道的。
image-20240717100811442

​ 我们需要知道的是上图的A,B,C,D四个点的坐标，还有我们的变换矩阵M。代码如下：

# 透视变换
warped = four_point_transform(orig, screenCnt.reshape(4, 2) * ratio)

​ 第一个参数是我们原始输入的图像，第二个参数是我们上图标注的A,B,C,D这四个点的坐标，每个点都包含(x,y)这两个维度。所以是4*2，这里为啥要 * ratio这个比例呢？因为我们的边缘信息是在resize之后的图像上得到的，但是我们的orig是原图，所以我们需要将这A,B,C,D四个点再还原回原图上去。接下来我们再去看看这个透视变换具体是怎么做的吧

def four_point_transform(image, pts):
	# 获取输入坐标点
	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

​ 输入的pts是我们的传入的A,B,C,D四个坐标，代码中的tl,tr,br,bl这四个变量是这四个坐标的解析。接下来我们需要计算h和w，这样就可以计算得到我们上图中的E,F,G,H这四个坐标啦！h和w的计算方法如下：因为并不能保证是矩阵，所以这里采取的是一个近似的计算方法，即：计算方法为根号下x的平方+y的平方。如果是标准的矩形，那么有x和y其中有一个值必为0。我们再去两组计算结果中最大值作为我们的h或者w即可。有了我们输入的四个点A,B,C,D，和我们输入的四个点E,F,G,H，我们就可以去算我们的变换矩阵M了。因为涉及到投影，这个矩阵是一个3*3的矩阵。这个矩阵我们是通过使用opencv的内置函数getPerspective接口来计算的，这个函数的计算原理是什么呢，这里可以简单说明一下：

QQ_1721185535507

​ 最后，通过我们得到的变换矩阵M，对输入图像施加上，让输入图像上的所有点都进行变换，最后得到变换后的图像进行返回即可。变换完成后，我们再对变换后的图像进行了一次二值化处理：

# 二值处理
warped = cv2.cvtColor(warped, cv2.COLOR_BGR2GRAY)
ref = cv2.threshold(warped, 100, 255, cv2.THRESH_BINARY)[1]
cv2.imwrite('scan.jpg', ref)

​ 为了显示的更清晰，进行了灰度化和二值化。最后得到展示图像：

# 展示结果
print("STEP 3: 变换")
cv2.imshow("Original", resize(orig, height = 650))
cv2.imshow("Scanned", resize(ref, height = 650))
cv2.waitKey(0)

QQ_1721186071090

四.tesseract-ocr安装配置

​ 当我们得到一个扫描结果时，如果进行字符识别。这里使用的是一个开源的库叫做tesseract，默认只支持英文，如果需要中文需要自己去官网下载相关的包进行训练。这个包的github网站为：GitHub - tesseract-ocr/tesseract: Tesseract Open Source OCR Engine (main repository)，
QQ_1721203519980
我们需要下载的文件（windows的）的网站在：Index of /tesseract (uni-mannheim.de)，接下来将演示下如何安装，我们进入网站，这里我选择的是目前最新版本的进行安装：
QQ_1721198050043

​ 需要记住这个安装路径：
QQ_1721198214576

​ 安装完成后需要进行环境变量的配置，要记得用户的环境变量和系统的环境变量都需要添加！！！
QQ_1721198440428

QQ_1721198505126

​ 配置完毕后，我们就可以使用cmd来检验下这个包是不是好用的;此时我们在控制台上键入tesseract -v，如果可以正确显示版本信息，则说明我们安装成功了。QQ_1721198645007

​ 此时我们可以直接在控制台上测试下这个包的效果如何，我们将下面这张图放到D盘并命名为opencv.png，并将我们的控制台的目录切换到D盘：
opencv

​ 我们输入，tesseract opencv.png result，输入这条指令后，tesseract就会将我们的识别结果保存到名为result的文本文件中。
QQ_1721199121670

​ 指令运行结束，我们在D盘打开result.txt文件，发现识别结果已经被保存下来了，而且识别的非常正确。

​ 我们平时更多的是使用python程序来做，如果需要使用我们的python来使用这个包的话，还需要在你的annconda相关的环境中安装pip install pytesseract这个包才可以。这里我们也是成功的安装上了。
QQ_1721199546392

五.文档扫描识别效果

​ 如果你安装好了上面的pytesseract但还是用不了的话，这里是windows环境上面的一个坑，需要你去Python的安装路径下去解决，我这里使用的是annconda，所以直接去annoconda的安装路径，路径为:D:\anaconda3\envs\jiahaopytorch\Lib\site-packages\pytesseract，找到这个路径下的pytesseract.py文件，打开并进行编辑，需要把下图中标红的这一行修改成全局路径，如果pytesseract这个包可以正常使用的这里不用管。
QQ_1721199936856

​ 修改后：
QQ_1721200125864

​ 注意这里不要再去使用window的路径分隔方式了，容易让计算机识别时产生歧义，这里我们采用的是Linux的路径分隔方式。这里修改完毕之后，我们就可以进入我们的pytorch进行代码编写了。接下来的代码是我们的OCR识别的代码：

preprocess = 'blur' #thresh
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)

​ 我们将之前处理好的图片读取进来，转换成一张灰度图，然后我们可以通过指定preprocess的值来进行一些滤波操作或者二值化操作。然后调用我们安装的包提供的接口即可：

text = pytesseract.image_to_string(Image.open(filename))
print(text)
os.remove(filename)

​ 最后我们来看一下识别的效果,我们的输入图像为下图时:
QQ_1721200690127

​ 程序的运行结果如下：
QQ_1721200760353

​ 可以看出，识别效果还是不错的。我们再试一次下面这个张图：
QQ_1721200821999

​ 程序的运行结果如下：
QQ_1721200922235

​ 可以看到，识别率还是比较精准的。这里可能有人想知道支持不支持识别中文，我这里也是在网上找了一张中文的发票，见下图：
view2

​ 将之前讲过的边缘检测，获取轮廓，变换这三个流程全部走一遍：

QQ_1721202765051

QQ_1721202676550

QQ_1721202689197

​ 最后送入我们安装的包中进行OCR扫描：
QQ_1721202804835

​ 很可惜，当前并不支持中文。

六.完整代码

1.预处理相关代码

# 导入工具包
import numpy as np
import argparse
import cv2
# 设置参数
ap = argparse.ArgumentParser()
ap.add_argument("-i", "--image", required = True,
	help = "Path to the image to be scanned") 
args = vars(ap.parse_args())
def order_points(pts):
	# 一共4个坐标点
	rect = np.zeros((4, 2), dtype = "float32")
	# 按顺序找到对应坐标0123分别是 左上，右上，右下，左下
	# 计算左上，右下
	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
def four_point_transform(image, pts):
	# 获取输入坐标点
	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
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
# 读取输入
image = cv2.imread(args["image"])
#坐标也会相同变化
ratio = image.shape[0] / 500.0
orig = image.copy()
image = resize(orig, height = 500)
# 预处理
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
gray = cv2.GaussianBlur(gray, (5, 5), 0)
edged = cv2.Canny(gray, 75, 200)
# 展示预处理结果
print("STEP 1: 边缘检测")
cv2.imshow("Image", image)
cv2.imshow("Edged", edged)
cv2.waitKey(0)
cv2.destroyAllWindows()
# 轮廓检测
cnts = cv2.findContours(edged.copy(), cv2.RETR_LIST, cv2.CHAIN_APPROX_SIMPLE)[1]
cnts = sorted(cnts, key = cv2.contourArea, reverse = True)[:5]
# 遍历轮廓
for c in cnts:
	# 计算轮廓近似
	peri = cv2.arcLength(c, True)
	# C表示输入的点集
	# epsilon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
	# True表示封闭的
	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()
# 透视变换
warped = four_point_transform(orig, screenCnt.reshape(4, 2) * ratio)
# 二值处理
warped = cv2.cvtColor(warped, cv2.COLOR_BGR2GRAY)
ref = cv2.threshold(warped, 100, 255, cv2.THRESH_BINARY)[1]
cv2.imwrite('scan.jpg', ref)
# 展示结果
print("STEP 3: 变换")
cv2.imshow("Original", resize(orig, height = 650))
cv2.imshow("Scanned", resize(ref, height = 650))
cv2.waitKey(0)

2.OCR相关代码

# https://digi.bib.uni-mannheim.de/tesseract/
# 配置环境变量如E:\Program Files (x86)\Tesseract-OCR
# tesseract -v进行测试
# tesseract XXX.png 得到结果 
# pip install pytesseract
# anaconda lib site-packges pytesseract pytesseract.py
# tesseract_cmd 修改为绝对路径即可
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)
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))
print(text)
os.remove(filename)
cv2.imshow("Image", image)
cv2.imshow("Output", gray)
cv2.waitKey(0)
Li小李同学Li
关注
专栏目录
文档扫描OCR识别
m0_58310590的博客
06-10 483
1.介绍 识别图像中的所有的字符（汉字、英语等字体）。 2.安装
OpenCV实践小项目(二) -文档ocr扫描识别
Miracle8070
03-31 4385
1. 写在前面 今天整理OpenCV入门的第二个实战小项目， 前一篇文章是信用卡数字识别， 主要运用了OpenCV基础图像处理操作里面的轮廓检测， 边缘检测，形态学操作， 今天的这个项目叫做文档ocr扫描识别，就是给定一个文档的图片，然后识别文档上的文字信息，这个在生活中也是非常常见的哟。 比如试卷扫描，文章扫描等等吧，其实原理都非常类似。 下面是给定了一个随意拍摄的购物小票的图片， 然后通过一顿图片处理等操作，得到的ocr扫描结果： 由于这个截图我进行了放缩，导致右边这个图片人眼看不太清楚字了，但是基本
【Opencv入门到项目实战】（十）：项目实战|文档扫描|OCR识别
阿里云专家博主、数据科学领域优质创作者、统计er在读
08-12 1万+
OCR（即光学字符识别）是识别图像中的文本并将其转换为电子形式的过程。这些图像可以是手写文本、打印文本（如文档、收据、名片等），甚至是自然场景照片。简单来说，OCR 有两个部分。第一部分是文本检测，确定图像内的文本部分。第二部分文本识别，从图像中提取文本。结合使用这些技术可以从任何图像中提取文本。具体的流程如下图所示OCR 在各个行业都有广泛的应用（主要目的是减少人工操作）。它已经融入我们的日常生活，并且有很多的应用。背景：我们有一张随手拍的发票照片如下，我们希望识别出文档信息并扫描思考。
文档扫描OCR（Python3.7）
qq_41562704的博客
02-18 1326
轮廓检测 变换 OCR识别 使用pytesseract，安装参考：关于windows下pytesseract的安装 完整代码
机器学习：项目实战-文档扫描OCR识别.zip
05-31
机器学习：项目实战-文档扫描OCR识别.zip
项目实战——文档扫描OCR识别
weixin_50281629的博客
05-03 4228
扫描全能王的实现，maybe 目录 一、文档扫描 1、引入所需要的库 2、图像的读取与预处理 读取图像 图像reszie， 图像灰度化、滤波、边缘检测。 3、轮廓检测 4、透视与二值变换 二、文字识别 一、文档扫描 文档扫描所实现的功能如下图所示，左侧为原始图像，右侧为扫描后的图像。 1、引入所需要的库 import numpy as np import argparse import cv2 import matplotlib.pyplot as plt ...
计算机视觉项目-文档扫描OCR识别
热门推荐
m0_37623374的博客
07-05 1万+
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。 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。首先我们要对两个文件进行处理，我们先来看一下预处
视觉识别：文档扫描OCR识别
最新发布
06-01
三、OCR识别 OCR技术是视觉识别的重要应用，它能将扫描的图像中的文字识别为可编辑的文本。OCR系统通常包括预处理、特征提取、分类和后处理四个步骤： 1. 预处理：清除图像噪声，校正倾斜，增强文字对比度，以便于...
第十章：项目实战-文档扫描OCR识别,ocr识别pdf,Python
05-31
【标题】：“第十章：项目实战-文档扫描OCR识别,ocr识别pdf,Python” 在这个项目实战中，我们将探讨如何利用OpenCV和Python进行文档扫描及OCR（光学字符识别）识别，特别是针对PDF文件的处理。OCR技术允许我们将...
文件类型识别工具
11-20
用于识别计算机里的文件格式（或文件类型）。如当你不知道计算机中的文件是什么类型的或者是什么格式的文件，可以用它来识别。
TridNet文件格式识别工具
05-28
是不是经常下一些文件,结果后缀被改了,试了很多软件都打不开,这个小软件是在一个国外站上下的,找了很长时间,功能很不错,可以去官网上更新(免费的),也支持自己添加新的文件格式类别!目前能识别出3050多种文件,xml文件是识别的特征文件,把它和tridnet放在同一目录即可使用,官网可以下载相应的linux版,此为win32版!
openCV实战-系列教程11：文档扫描OCR识别（图像轮廓/模版匹配）项目实战、源码解读
08-30
openCV实战-系列教程11：文档扫描OCR识别（图像轮廓/模版匹配）项目实战、源码解读 这个项目的使用教程与解答，看这篇文章...
实战项目—文档扫描OCR识别
06-08
在本实战项目“文档扫描OCR识别”中，我们将探讨如何利用现代计算机视觉技术和光学字符识别（OCR）技术来数字化和提取纸质文档中的文本信息。这一过程对于自动化办公、信息管理和知识检索具有重大意义，尤其在大数据...
计算机视觉项目-文档扫描OCR识别(1)
2401_84181704的博客
04-29 673
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。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。
opencv项目实战（二）——文档扫描OCR识别
weixin_51179742的博客
09-13 1670
文档扫描OCR识别
02-文档扫描OCR识别
qq_38253797的博客
12-17 384
一、主要代码 import cv2 as cv import numpy as np import matplotlib.pyplot as plt def img_show(img_name,img): cv.imshow(img_name,img) cv.waitKey(0) cv.destroyAllWindows() #1、数据预处理 img = cv.imread('./images/receipt.jpg') ratio = img.shape[0] / 500.0 or
文档扫描OCR识别_积累
入门记
01-30 3113
opecncv和python的积累
文档扫描OCR简介
dwq3297的博客
06-11 828
文档扫描OCR识别简介 文档扫描OCR识别（Optical Character Recognition，光学字符识别）是指电子设备（例如扫描仪或数码相机）检查纸上打印的字符，通过检测暗、亮的模式确定其形状，然后用字符识别方法将形状翻译成计算机文字的过程。ICR（Intelligent Character Recognition）的名词也因此而产生。衡量一个文档扫描OCR识别系统性能好坏的主要指标有：拒识率、误识率、识别速度、用户界面的友好性，产品的稳定性，易用性及可行性等。 一般情况下办公人员想得到的是双层
毕业设计项目：中文票据OCR识别系统源码解析
在这个项目中，OpenCV被用来对扫描得到的票据图像进行前期处理，如图像去噪、二值化、边缘检测、透视校正等，这些处理是为了优化图像质量，进而提高OCR识别的准确性。 2. Tesseract OCR引擎： Tesseract是一个开源...
评论
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

Li小李同学Li

你的鼓励将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