利用OpenCV与百度OCR API打造高效文档OCR识别系统

在信息化飞速发展的今天，文档OCR（Optical Character Recognition，光学字符识别）技术已成为连接纸质文档与数字世界的桥梁。无论是企业档案、个人笔记，还是各类合同与发票，OCR技术都能轻松将图像中的文字转化为可编辑、可搜索的文本。本文将带您深入探索如何结合OpenCV与百度OCR API，构建一套高效、准确的文档OCR识别系统。

一、项目背景与目标

随着数字化办公的普及，纸质文档的处理需求日益增加。传统的手动输入方式不仅耗时费力，还容易出错。而OCR技术则能够自动从图像中提取文字信息，极大地提高了工作效率。本项目旨在通过OpenCV进行图像处理，结合百度OCR API的文字识别能力，实现一个简单、实用且高效的文档OCR识别系统。

二、技术选型与工具介绍

1. OpenCV：OpenCV是一个开源的计算机视觉库，提供了丰富的图像处理与分析功能。在本项目中，我们将利用OpenCV进行图像的预处理，包括灰度转换、边缘检测、轮廓提取以及透射变换等，以提取出文档的有效区域。
2. 百度OCR API：百度OCR API是百度提供的一项高性能文字识别服务，支持多种语言与字符集的识别。通过调用百度OCR API，我们可以轻松实现图像中文字的自动提取与转换。

三、项目实现步骤

1. 图像预处理

图像预处理是OCR识别的关键步骤之一。为了获得更好的识别效果，我们需要对原始图像进行一系列处理，以提取出文档的有效区域。

• 读取图像：首先，我们使用OpenCV读取原始图像，并进行缩放处理以适应后续处理。
• 灰度转换：将彩色图像转换为灰度图像，以减少计算量并突出图像中的边缘信息。
• 边缘检测：利用Canny边缘检测算法检测图像中的边缘信息。
• 轮廓提取：通过轮廓检测算法提取出图像中的闭合轮廓，并选择面积最大的闭合轮廓作为文档的边缘。

import cv2 as cv

import numpy as np



# 读取图像

img = cv.imread('document.jpg', cv.IMREAD_COLOR)

org = img.copy()

ratio =0.4# 缩放比例

img = cv.resize(img, dsize=None, fx=ratio, fy=ratio)



# 灰度转换

gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)



# 边缘检测

edged = cv.Canny(gray,75,200)



# 轮廓提取

cnts, hierarchy = cv.findContours(edged.copy(), cv.RETR_LIST, cv.CHAIN_APPROX_SIMPLE)

cnt =sorted(cnts, key=cv.contourArea, reverse=True)[0]# 面积最大的轮廓

peri = cv.arcLength(cnt,True)# 计算周长

approx = cv.approxPolyDP(cnt,0.1* peri,True)  # 轮廓近似

2. 文档区域确定与透射变换

在确定了文档的边缘后，我们需要根据边缘的四点确定文档的区域，并利用透射变换将文档视角转换为正视图。

• 排序轮廓点：通过计算x+y的最小值和最大值来确定A、C点，通过计算y-x的最小值和最大值来确定B、D点。然后，将这四个点按照顺时针或逆时针顺序排列。
• 透射变换：利用排列好的四个点进行透射变换，将文档区域转换为正视图。

def order_points(pts):

    rect = np.zeros((4,2), dtype="float32")

    s = pts.sum(axis=1)

    rect[0]= pts[np.argmin(s)]

    rect[2]= pts[np.argmax(s)]

    diff = np.diff(pts, n=1, axis=1)

    rect[1]= pts[np.argmin(diff)]

    rect[3]= pts[np.argmax(diff)]

return rect



deffour_point_transform(image, pts):

    rect = order_points(pts)

len= np.zeros((4,1))

for i, p inenumerate(rect):

if i !=3:

            x = rect[i:(i +2),0]

            y = rect[i:(i +2),1]

else:

            x =[rect[3,0], rect[0,0]]

            y =[rect[3,1], rect[0,1]]

len[i]= np.sqrt(((x[0]- x[1])**2+(y[0]- y[1])**2))

    maxWidth =int(max(len[0],len[2]))

    maxHight =int(max(len[1],len[3]))

    dst = np.array([[0,0],[maxWidth -1,0],[maxWidth -1, maxHight -1],[0, maxHight -1]], dtype="float32")

    M = cv.getPerspectiveTransform(rect, dst)

    warped = cv.warpPerspective(image, M,(maxWidth, maxHight))

return warped



warped = four_point_transform(org, approx.reshape(4,2)/ ratio)

（注：此时代码执行后，将得到一个透视变换后的图像。由于文本限制，无法直接展示图片，但读者可以在本地运行代码并查看结果。）

3. 文字识别

在完成图像预处理和文档区域确定后，我们调用百度OCR API进行文字识别。

• 申请OCR API密钥：首先，我们需要在百度智能云平台上申请OCR API的AppID、API Key和Secret Key。
• 创建AipOcr客户端：利用申请到的密钥创建一个AipOcr客户端实例。
• 读取预处理后的图像：将预处理后的图像转换为字节流，以便上传给百度OCR API进行识别。
• 调用OCR API：设置识别参数（如语言类型、检测方向等），并调用百度OCR API进行文字识别。
• 处理识别结果：接收并处理OCR API返回的识别结果，提取出文档中的文字信息。

from aip importAipOcr



# 初始化AipOcr

APP_ID ='你的AppID'

API_KEY ='你的API_Key'

SECRET_KEY ='你的Secret_Key'

client =AipOcr(APP_ID, API_KEY, SECRET_KEY)



# 读取图像并转换为字节流

defget_file_content(filepath):

withopen(filepath,'rb')as fp:

return fp.read()



image_path ='预处理后的图像路径'# 注意替换为实际路径

image = get_file_content(image_path)



# 调用OCR API进行文字识别

options ={}

options["language_type"]="CHN_ENG"# 中英文识别

options["detect_direction"]="true"# 检测图像方向

options["detect_language"]="true"# 检测语言

options["probability"]="true"# 返回识别概率



res = client.basicGeneral(image, options)



# 打印识别结果

if'words_result'in res:

for item in res['words_result']:

print(f"识别出的文字: {item['words']}, 置信度: {item['confidence']}")

else:

print("未识别到文字")