OCR入门教程系列（五）：OCR实战代码解析

引言

在OCR（光学字符识别）技术日益普及的今天，无论是文档数字化、票据识别还是工业质检，OCR都扮演着不可或缺的角色。然而，对于初学者而言，如何将理论知识转化为实际可运行的代码，仍是一道需要跨越的门槛。本教程作为OCR入门系列的第五部分，将聚焦于实战代码解析，通过具体案例展示OCR技术的完整实现过程，帮助读者从理论走向实践。

一、实战准备：环境搭建与工具选择

1.1 开发环境配置

OCR开发通常涉及Python语言及多个相关库，如OpenCV（图像处理）、Pillow（图像处理基础库）、Tesseract OCR（开源OCR引擎）或PaddleOCR（国产高性能OCR工具）。以Python为例，首先需安装Python环境（建议3.6+版本），随后通过pip安装所需库：

pip install opencv-python pillow pytesseract paddleocr

1.2 工具选择依据

• Tesseract OCR：适合基础文本识别，支持多种语言，但需额外训练以提升特定场景下的准确率。
• PaddleOCR：基于深度学习，识别准确率高，尤其擅长中文及复杂背景下的文本识别，适合对精度要求较高的项目。

二、图像预处理：提升识别准确率的关键

2.1 图像二值化

二值化是将灰度图像转换为黑白图像的过程，有助于去除背景噪声，增强文本与背景的对比度。OpenCV提供了多种二值化方法，如全局阈值法（cv2.threshold）和自适应阈值法（cv2.adaptiveThreshold）。

示例代码：

import cv2
def binary_image(image_path):
    img = cv2.imread(image_path, cv2.IMREAD_GRAYSCALE)
    _, binary_img = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY)
    return binary_img

2.2 图像去噪

噪声可能来自扫描过程中的灰尘、墨渍或数字压缩。使用高斯模糊（cv2.GaussianBlur）或中值滤波（cv2.medianBlur）可以有效减少噪声。

示例代码：

def denoise_image(image_path):
    img = cv2.imread(image_path)
    denoised_img = cv2.medianBlur(img, 5)  # 5x5核大小
    return denoised_img

2.3 倾斜校正

对于倾斜的文本图像，需先进行倾斜检测与校正。常用的方法有霍夫变换（Hough Transform）检测直线，进而计算倾斜角度并旋转图像。

示例代码（简化版）：

def correct_skew(image_path):
    img = cv2.imread(image_path)
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    edges = cv2.Canny(gray, 50, 150, apertureSize=3)
    lines = cv2.HoughLinesP(edges, 1, np.pi/180, 100, minLineLength=100, maxLineGap=10)
    # 假设第一条线为参考，计算倾斜角度并旋转（实际需更复杂处理）
    angle = 0  # 简化处理，实际需计算
    (h, w) = img.shape[:2]
    center = (w // 2, h // 2)
    M = cv2.getRotationMatrix2D(center, angle, 1.0)
    rotated_img = cv2.warpAffine(img, M, (w, h))
    return rotated_img

三、OCR模型调用与结果解析

3.1 使用Tesseract OCR

Tesseract支持多种语言模型，使用时需指定语言包路径（如中文需下载chi_sim.traineddata）。

示例代码：

import pytesseract
from PIL import Image
def ocr_with_tesseract(image_path, lang='eng'):
    img = Image.open(image_path)
    text = pytesseract.image_to_string(img, lang=lang)
    return text

3.2 使用PaddleOCR

PaddleOCR提供了更丰富的API，包括文本检测、文本识别及端到端识别。

示例代码：

from paddleocr import PaddleOCR
def ocr_with_paddleocr(image_path, lang='ch'):
    ocr = PaddleOCR(use_angle_cls=True, lang=lang)  # 使用角度分类器
    result = ocr.ocr(image_path, cls=True)
    for line in result:
        print(line[1][0])  # 输出识别文本

四、结果优化与后处理

4.1 正则表达式过滤

识别结果可能包含非文本字符或格式错误，使用正则表达式进行过滤和格式化。

示例代码：

import re
def clean_text(text):
    # 移除非中文字符（示例）
    cleaned_text = re.sub(r'[^\u4e00-\u9fa5]', '', text)
    return cleaned_text

4.2 结构化输出

将识别结果按行或块组织，便于后续处理。

示例代码（结合PaddleOCR结果）：

def structure_ocr_result(result):
    structured_data = []
    for line in result:
        coords = line[0]  # 文本框坐标
        text = line[1][0]  # 识别文本
        confidence = line[1][1]  # 置信度
        structured_data.append({'coords': coords, 'text': text, 'confidence': confidence})
    return structured_data

五、实战案例：票据识别系统

5.1 需求分析

假设需识别增值税发票上的关键信息，如发票号码、开票日期、金额等。

5.2 实现步骤

1. 图像采集：使用扫描仪或手机拍摄票据。
2. 预处理：二值化、去噪、倾斜校正。
3. OCR识别：使用PaddleOCR进行文本检测与识别。
4. 结果解析：通过正则表达式或关键词匹配提取关键信息。
5. 数据存储：将识别结果存入数据库或导出为Excel。

简化版代码框架：

def invoice_ocr(image_path):
    # 预处理
    processed_img = preprocess_image(image_path)
    # OCR识别
    ocr_result = ocr_with_paddleocr(processed_img, lang='ch')
    # 结果解析
    invoice_data = parse_invoice(ocr_result)
    return invoice_data
def parse_invoice(ocr_result):
    invoice_number = None
    date = None
    # 假设通过关键词匹配提取信息
    for item in structure_ocr_result(ocr_result):
        if '发票号码' in item['text']:
            invoice_number = item['text'].replace('发票号码:', '').strip()
        elif '开票日期' in item['text']:
            date = item['text'].replace('开票日期:', '').strip()
    return {'invoice_number': invoice_number, 'date': date}

六、总结与展望

本教程通过实战代码解析，展示了OCR技术从环境搭建、图像预处理、模型调用到结果优化的完整流程。OCR技术的应用远不止于此，随着深度学习技术的发展，OCR在复杂场景下的识别能力不断提升，如手写体识别、多语言混合识别等。对于开发者而言，掌握OCR技术不仅能解决实际问题，还能为AI应用开发提供有力支持。未来，随着OCR与NLP、CV等技术的深度融合，其应用场景将更加广泛，值得持续探索与实践。