仿站网站域名,诸葛企业网站建设公司,中国软件企业十强,仿京东电商的网站开发输入一个文档#xff0c;怎么进行文档扫描#xff0c;输出扫描后的图片呢#xff1f;
今天学习了 opencv实战项目 文档扫描OCR
问题重构#xff1a;输入图像 是一个含有文档的图像—— 目标是将其转化为 规则的扫描图片 那么怎么实现呢#xff1f;
问题分解#…输入一个文档怎么进行文档扫描输出扫描后的图片呢
今天学习了 opencv实战项目 文档扫描OCR
问题重构输入图像 是一个含有文档的图像—— 目标是将其转化为 规则的扫描图片 那么怎么实现呢
问题分解
1 边缘检测
2 获取轮廓
3 对获取到的轮廓进行透视变换
4 OCR
如何边缘检测
1 把图片读入——预处理计算坐标缩放比例以便以后使用原图的时候使用copy原图
2.获取灰度图——高斯滤波去除噪声边缘检测
如何获取需要扫描的轮廓
1.轮廓检测 检测出所有轮廓对检测出的所有轮廓按照面积大小分类
2遍历所有轮廓计算轮廓近似使用到了
cv2.approxPolyDP 是一个用于多边形逼近的函数。它使用Douglas-Peucker算法来减少多边形的点数。 返回的是多边形的顶点坐标数组 详细解释opencv python中的 cv.approxPolyDP_cv::approxpolydp-CSDN博客 当坐标数组数是4的时候是四边形的 把返回结果拿出来
如何进行透视变换
使用到了四点transformer函数见后文 变换 输入 image 原图 和上一步返回的坐标点 输出是变换后的结果
输入的坐标点可能是乱序的怎么进行上下左右排序
使用了 order_points 函数 思路四个坐标 ab ab 最大的 是右下的点 最小的是左上 b-a z最小的是右上 最大的是左下 假设h w 返回的是 排序好的rect
回到 四点transformer函数
怎么计算透视变换的变换矩阵M 需要得到原坐标点 和变换后的坐标点
如何将四边形转化为 矩形计算上w 和下w 的值 方法 两点间距离公式 取最大同理 取左h 右h 取最大的高和宽 得到变换后坐标位置
计算变换矩阵
用到了cv2.getPerspectiveTransform
opencv透视变换GetPerspectiveTransform、warpPerspective函数的使用-CSDN博客
得到了变换矩阵怎么进行透视变换
使用到了cv2.warpPerspective函数warpPerspective()对图像进行透视变换。简单来说就是有这么一副图像它的拍摄视角不是从正面拍摄的而是带有一定的角度我们希望能得到从正面观察的视角。 【PythonOpenCV 图像透视变换 warpPerspective函数】-CSDN博客
返回变换后结果warped
得到的warped 是这样的
还要进行二值处理、结果保存
warped cv2.cvtColor(warped, cv2.COLOR_BGR2GRAY)
ref cv2.threshold(warped, 100, 255, cv2.THRESH_BINARY)[1]
cv2.imwrite(scan.jpg, ref)
最后得到的输出结果如下 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 rectdef 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 warpeddef resize(image, widthNone, heightNone, intercv2.INTER_AREA):dim None(h, w) image.shape[:2]if width is None and height is None:return imageif 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, interpolationinter)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)[0]
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 approxbreak# 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.imshow(warped, resize(warped, height 650))
cv2.waitKey(0)
