文档扫描OCR（Python3.7）
假期水一波文章，介绍一个小项目，基于pytesseract实现图片OCR扫描。简单来讲，就是有一张照片（可能是拍摄的PPT/发票/文档）,我们先识别出有效区域（文档区域），然后识别该区域中的文字。
实验环境：Python3.7+OpenCV3.4
测试图片（小票图片源自必应）：
需要注意的是本次项目针对有效区域为四边形的图片，所以在挑选测试图片的时候需要注意下。
环境准备好我们就可以愉快地码代码了！
轮廓检测
本部分需要检测出小票的区域。具体操作：二值化->高斯滤波->Canny边缘检测->轮廓检测->轮廓排序取面积最大的->找到轮廓曲线为四边形的轮廓
import cv2
#检测轮廓
def find_contours(imgPath):
image = cv2.imread(imgPath)
# 预处理操作
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) #二值化
gray = cv2.GaussianBlur(gray, (5, 5), 0) #高斯滤波
edged = cv2.Canny(gray, 75, 200) #canny检测
# 轮廓检测
h = cv2.findContours(edged, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_NONE) # 寻找轮廓
contours = h[1] #获取轮廓坐标点
# 对一系列轮廓点坐标按它们围成的区域面积进行排序，取前5个
contours = sorted(contours, key=cv2.contourArea, reverse=True)[:5]
#找到第一个轮廓线为矩形的，即为我们要找的轮廓线
for contour in contours:
peri = cv2.arcLength(contour, True) # 周长，闭合
approx = cv2.approxPolyDP(contour, 0.02 * peri, True) # 检测出来的轮廓可能是离散的点，故因在此做近似计算，使其形成一个矩形
# 做精度控制，原始轮廓到近似轮廓的最大的距离，较小时可能为多边形；较大时可能为矩形
# True表示闭合
if len(approx) == 4: # 如果检测出来的是矩形，则break本段if
screenCnt = approx
break
img = cv2.drawContours(image, [screenCnt], -1, (0, 0, 255), 2) # 绘制轮廓，-1表示全部绘制
cv2.imshow("img", img)
cv2.imwrite('./test_contours.jpg', img) #保存结果图片
cv2.waitKey(0)
cv2.destroyAllWindows()
return screenCnt
#测试
if __name__ == "__main__":
contour = find_contours("./test.jpg")
结果：
变换
刚刚圈出来的区域虽然是一个矩形，但并不正，这一步就是将找到的区域提取出来摆正。
def transform(imgPath, contour):
img = cv2.imread(imgPath)
wraped = four_point_transform(img, contour.reshape(4, 2)) # 透视变换：摆正图像内容
wraped = cv2.cvtColor(wraped, cv2.COLOR_BGR2GRAY) #二值化
ref = cv2.threshold(wraped, 150, 255, cv2.THRESH_BINARY)[1] #将图片变为黑白，设置阈值，超过150显示黑色
cv2.imwrite('./test_transform.jpg', ref) # 保存结果图片
cv2.imshow("img", ref)
cv2.waitKey(0)
cv2.destroyAllWindows()
return ref
if __name__ == "__main__":
imgPath = "./test.jpg"
contour = find_contours(imgPath)
transform(imgPath, contour)
结果图：
OCR识别
使用pytesseract，安装参考：关于windows下pytesseract的安装
需要注意一点tesseract要安装3.0以上版本，博主直接安装的目前最新的。
if __name__ == "__main__":
imgPath = "./test.jpg"
contour = find_contours(imgPath)
imgref = transform(imgPath, contour)
text = pytesseract.image_to_string(imgref,lang='chi_sim') #设置语言为中文简体
print(text)
识别结果：
庆认技广智站瞧厅
区迎光临做起撤个乔妨逢下用由|
节揪类型: 结哩
位间寺:人
此台是:229
项目必称 人全 从星人鱼灿
扑 一 1 5.00
| 5
| 机 吕
找才:0.00
01574720 19:25:08
交饮行业伍坟背销县务疝
窗谍区饥旗路1671 0416
,MTG .NET
3; 400-811-5533
扫一扫，手机支付
弛单寻: 1133981
和
贰多领; 10，
让 0.史
提供价: 10.00
效果有点不忍直视，需要自己训练tesseract，后面再更新~
完整代码
import cv2
from imutils.perspective import four_point_transform
import pytesseract
def find_contours(imgPath):
image = cv2.imread(imgPath)
# 预处理操作
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) #二值化
gray = cv2.GaussianBlur(gray, (5, 5), 0) #高斯滤波
edged = cv2.Canny(gray, 75, 200) #canny检测
# 轮廓检测
h = cv2.findContours(edged, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_NONE) # 寻找轮廓
contours = h[1] #获取轮廓坐标点
# 对一系列轮廓点坐标按它们围成的区域面积进行排序，取前5个
contours = sorted(contours, key=cv2.contourArea, reverse=True)[:5]
#找到第一个轮廓线为矩形的，即为我们要找的轮廓线
for contour in contours:
peri = cv2.arcLength(contour, True) # 周长，闭合
approx = cv2.approxPolyDP(contour, 0.02 * peri, True) # 检测出来的轮廓可能是离散的点，故因在此做近似计算，使其形成一个矩形
# 做精度控制，原始轮廓到近似轮廓的最大的距离，较小时可能为多边形；较大时可能为矩形
# True表示闭合
if len(approx) == 4: # 如果检测出来的是矩形，则break本段if
screenCnt = approx
break
img = cv2.drawContours(image, [screenCnt], -1, (0, 0, 255), 2) # 绘制轮廓，-1表示全部绘制
cv2.imwrite('./test_contours.jpg', img) #保存结果图片
# cv2.imshow("img", img)
# cv2.waitKey(0)
# cv2.destroyAllWindows()
return screenCnt
def transform(imgPath, contour):
img = cv2.imread(imgPath)
wraped = four_point_transform(img, contour.reshape(4, 2)) # 透视变换：摆正图像内容
wraped = cv2.cvtColor(wraped, cv2.COLOR_BGR2GRAY) #二值化
ref = cv2.threshold(wraped, 150, 255, cv2.THRESH_BINARY)[1] #将图片变为黑白，设置阈值，超过150显示黑色
cv2.imwrite('./test_transform.jpg', ref) # 保存结果图片
# cv2.imshow("img", ref)
# cv2.waitKey(0)
# cv2.destroyAllWindows()
return ref
if __name__ == "__main__":
imgPath = "./test.jpg"
contour = find_contours(imgPath)
imgref = transform(imgPath, contour)
text = pytesseract.image_to_string(imgref,lang='chi_sim') #设置语言为中文简体
print(text)