使用 OpenCV 和 Tesseract 对图像中的感兴趣区域 (ROI) 进行 OCR
重磅干货，第一时间送达
在这篇文章中，我们将使用 OpenCV 在图像的选定区域上应用 OCR。在本篇文章结束时，我们将能够对输入图像应用自动方向校正、选择感兴趣的区域并将OCR 应用到所选区域。
这篇文章基于 Python 3.x，假设我们已经安装了 Pytesseract 和 OpenCV。Pytesseract 是一个 Python 包装库，它使用 Tesseract 引擎进行 OCR。因此，如果我们没有安装 tesseract 引擎，请从https://github.com/UB-Mannheim/tesseract/wiki下载并安装它，并正确设置 TESSDATA_PREFIX 环境变量和路径变量。
深入到代码中，让我们从导入所需的库开始：
# Importing necessary librariesimport numpy as npimport cv2import mathfrom scipy import ndimageimport pytesseract现在，使用 opencv 的 imread() 方法将图像文件读入 python。
IMAGE_FILE_LOCATION = "test_image.jpg" # Photo by Amanda Jones on Unsplashinput_img = cv2.imread(IMAGE_FILE_LOCATION) # image read在直接提取感兴趣区域之前，让我们先检查它的方向，因为很多时候我们一定已经注意到文档或图像的方向不正确，这会导致 OCR 较差，所以现在我们将调整输入图像的方向以确保更好的 OCR 结果。
在这里，我们应用两种算法来检测输入图像的方向：Canny 算法（检测图像中的边缘）和 HoughLines（检测线）。
然后我们测量线的角度，并取出角度的中值来估计方向的角度。然后以这个中间角度旋转图像，将其转换为完美的方向，以便进一步步骤。
不用担心，OpenCV 只需几行代码即可为我们完成这项工作！
###################################################################################################### ORIENTATION CORRECTION/ADJUSTMENT
def orientation_correction(img, save_image = False): # GrayScale Conversion for the Canny Algorithm img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # Canny Algorithm for edge detection was developed by John F. Canny not Kennedy!! :)img_edges = cv2.Canny(img_gray, 100, 100, apertureSize=3) # Using Houghlines to detect lineslines = cv2.HoughLinesP(img_edges, 1, math.pi / 180.0, 100, minLineLength=100, maxLineGap=5)
# Finding angle of lines in polar coordinatesangles = []for x1, y1, x2, y2 in lines[0]:angle = math.degrees(math.atan2(y2 - y1, x2 - x1))angles.append(angle)
# Getting the median anglemedian_angle = np.median(angles)
# Rotating the image with this median angleimg_rotated = ndimage.rotate(img, median_angle)
if save_image:cv2.imwrite('orientation_corrected.jpg', img_rotated)return img_rotated#####################################################################################################
img_rotated = orientation_correction(input_img)下一步是从图像中提取感兴趣的区域。
因此，首先我们为鼠标设置一个事件侦听器，使用户能够选择感兴趣的区域。在这里，我们设置了两个条件，一个是鼠标左键按下，第二个是鼠标左键向上。
我们存储按下鼠标左键时的起始坐标和释放鼠标左键时的结束坐标，然后在按下“enter”键时，我们提取这些起始坐标和结束坐标之间的区域，如果按下“c”，则清除坐标。
###################################################################################################### REGION OF INTEREST (ROI) SELECTION
# initializing the list for storing the coordinates coordinates = []
# Defining the event listener (callback function)def shape_selection(event, x, y, flags, param):# making coordinates globalglobal coordinates
# Storing the (x1,y1) coordinates when left mouse button is pressed if event == cv2.EVENT_LBUTTONDOWN: coordinates = [(x, y)]
# Storing the (x2,y2) coordinates when the left mouse button is released and make a rectangle on the selected regionelif event == cv2.EVENT_LBUTTONUP: coordinates.append((x, y))
# Drawing a rectangle around the region of interest (roi) cv2.rectangle(image, coordinates[0], coordinates[1], (0,0,255), 2) cv2.imshow("image", image)
# load the image, clone it, and setup the mouse callback function image = img_rotatedimage_copy = image.copy()cv2.namedWindow("image") cv2.setMouseCallback("image", shape_selection)
# keep looping until the 'q' key is pressed while True: # display the image and wait for a keypress cv2.imshow("image", image) key = cv2.waitKey(1) & 0xFF
if key==13: # If 'enter' is pressed, apply OCRbreak
if key == ord("c"): # Clear the selection when 'c' is pressed image = image_copy.copy()
if len(coordinates) == 2: image_roi = image_copy[coordinates[0][1]:coordinates[1][1], coordinates[0][0]:coordinates[1][0]] cv2.imshow("Selected Region of Interest - Press any key to proceed", image_roi) cv2.waitKey(0)
# closing all open windows cv2.destroyAllWindows()
#####################################################################################################
感兴趣区域的边界框
现在，使用 pytesseract 在 ROI 上应用光学字符识别 (OCR)。（也可以使用Google Vision或Azure Vision代替 Tesseract 引擎）。
##################################################################### OPTICAL CHARACTER RECOGNITION (OCR) ON ROItext = pytesseract.image_to_string(image_roi)print("The text in the selected region is as follows:")print(text)输出是：
"Isn't it a greenhouse?”计算机视觉和光学字符识别可以解决法律领域（将旧的法院判决数字化）、金融领域（从贷款协议、土地登记中提取重要信息）等领域的许多问题。
Github代码链接：
https://github.com/ChayanBansal/roi_selection_and_ocr_with_orientation_correction