项目细节： 首先载入源图像，并进行尺寸预处理。 载入源图像image并作拷贝为org，将image按原始h,w的比例大小设置为高度为500的图像。 进行边缘检测和轮廓检测 在灰度化->边缘检测->轮廓检测后，将轮廓按轮廓的面积进行排序（注意这里默认是顺序的即从小到大，我们需要从大到小排序，所以reverse = True），取面积最大的前5个轮廓，并用多边形逼近（cv.approxPolyDP）的方法将轮廓近似出来，因为检测的轮廓有圆形有长矩形，我们需要的检测的目标轮廓是四边形（类似于矩形）。所以我们经过筛选得到我们需要的四边形的坐标。 坐标的透视变换 由多边形逼近轮廓的方法得到的坐标 是每个轮廓逆时钟方向的各个顶点的坐标，而我们想要顺时针方向的各个顶点的坐标，所以需要先对轮廓坐标重新排序。接着需要求出四边形轮廓的高和宽，来创建一个dst数组：该数组为[[0,0],[width-1,0],[width-1,height-1],[0,height-1] 。将四边形轮廓坐标和dst输入到cv.getPerspectiveTransform 函数里，得到透视变换的M矩阵。接着将用M矩阵对原图像做透视变化，其中得出的warped的大小为（width，height），这样透视变换就做完了。 简单点说：首先读取两个坐标数组，计算变换矩阵；然后根据变换矩阵对原图进行透视变换，并输出到目标画布， OCR识别 在OCR识别之前要对待识别的图像进行预处理，即灰度二值化，接着利用ocr指令来识别。 源码： import cv2 as cv import numpy as np import pytesseract def order_point(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,axis=1) rect[1] = pts[np.argmin(diff)] rect[3] = pts[np.argmax(diff)] return rect def four_point_transfer(image,pts): rect = order_point(pts) (tl,tr,br,bl) = rect width1 = np.sqrt((tr[0]-tl[0])*(tr[0]-tl[0])+(tr[1]-tl[1])*(tr[1]-tl[1])) width2 = np.sqrt((br[0]-bl[0])*(br[0]-bl[0])+(br[1]-bl[1])*(br[1]-bl[1])) width = max(width1,width2) #python中有max函数和np.max函数，前者是比较两个数值的大小取最大值，后者是取出数组的最大值 height1 = np.sqrt((tr[0]-br[0])*(tr[0]-br[0])+(tr[1]-br[1])*(tr[1]-br[1])) height2 = np.sqrt((tl[0]-bl[0])*(tl[0]-bl[0])+(tl[1]-bl[1])*(tl[1]-bl[1])) height = max(height1,height2) dst = np.array([[0,0],[width-1,0],[width-1,height-1],[0,height-1]],dtype="float32") M = cv.getPerspectiveTransform(rect,dst) warped =cv.warpPerspective(image,M,(width,height)) return warped def resize(image,height=None): if height is None: return image else : h,w= image.shape[:2] #shape:h,w,channel image[h(row),w(col),channel] r = height/h width = int(w*r) #关于size函数参数的一般是（宽，高） image = cv.resize(image,(width,height),interpolation=cv.INTER_AREA) #还有resize(img,(宽，高)),即先列后行 return image #利用cv.bounding()得到x,y,width,height #其它情况一般都是先行后列（高，宽） #如shape得到参数,或者roi区域内部参数，建立新的Mat 都是先行后列 image = cv.imread("E:\opencv\picture\page.jpg") orig = image.copy() image = resize(image,height=500) ratio = orig.shape[0]/500 #边缘检测 image_gray = cv.cvtColor(image,cv.COLOR_BGR2GRAY) image_gray = cv.GaussianBlur(image_gray,(5,5),0) image_edge = cv.Canny(image_gray,75,200) #轮廓检测 image_contours = cv.findContours(image_edge.copy(),cv.RETR_LIST,cv.CHAIN_APPROX_SIMPLE)[1] countours = sorted(image_contours,key=cv.contourArea,reverse=True)[:5] for c in countours: arc = cv.arcLength(c,closed=True) approx = cv.approxPolyDP(c,arc*0.02,True) if len(approx) == 4: screen_shot = approx break cv.drawContours(image,[screen_shot],-1,(0,0,255),2) warped =four_point_transfer(orig,screen_shot.reshape(4,2)*ratio) cv.imshow('warped_window',resize(warped,height=650)) warped =cv.cvtColor(warped,cv.COLOR_BGR2GRAY) scan = cv.threshold(warped,0,255,cv.THRESH_BINARY|cv.THRESH_OTSU)[1] cv.imwrite("E:/opencv/picture/scan.png",scan) cv.imshow("scan ",scan) scanstring = pytesseract.image_to_string(scan) print(scanstring) cv.waitKey(0) cv.destroyAllWindows() 在这个图像处理案例中，主要涉及了以下几个关键技术点： 1. 图像预处理： - **图像尺寸预处理**：通过`resize`函数调整图像尺寸，确保图像高度为500像素，保持原图像的宽高比例。这一步骤是为了统一处理不同大小的图像，使其适应后续的处理算法。 - **灰度化**：使用`cv.cvtColor`函数将彩色图像转换为灰度图像，简化图像特征，便于边缘检测和轮廓识别。 - **边缘检测**：采用Canny算法`cv.Canny`进行边缘检测，识别图像中的边界，帮助分离文字区域。 2. 轮廓检测与筛选： - **轮廓检测**：使用`cv.findContours`找出图像中的所有轮廓，`cv.RETR_LIST`确保获取所有独立的轮廓，`cv.CHAIN_APPROX_SIMPLE`压缩轮廓信息以节省内存。 - **轮廓排序与筛选**：按照轮廓面积进行降序排序，选择前五个最大的轮廓，这是因为文字区域通常比背景区域的面积更大。通过`cv.approxPolyDP`进行多边形逼近，去除非四边形轮廓，保留类似矩形的四边形轮廓，以精确选取文本区域。 3. 坐标变换与透视变换： - **坐标排序**：将轮廓坐标按照顺时针方向重新排序，这是为了满足`cv.getPerspectiveTransform`函数的需要，它需要按顺序的顶点坐标。 - **创建dst数组**：dst数组定义了目标四边形的四个顶点，即一个标准的矩形。 - **计算透视变换矩阵**：利用`cv.getPerspectiveTransform`得到将四边形轮廓坐标转换为dst矩形的透视变换矩阵`M`。 - **执行透视变换**：通过`cv.warpPerspective`函数，应用M矩阵对原图像进行透视变换，生成warped图像，使文字区域变为标准矩形。 4. OCR识别： - **预处理**：将warped图像转为灰度图像并进行二值化，使用`cv.threshold`和`cv.THRESH_BINARY|cv.THRESH_OTSU`进行自动阈值设定，提高文字识别的准确性。 - **OCR识别**：使用`pytesseract.image_to_string`对二值化后的图像进行文字识别，将图像转换为可读的文本字符串。 总结来说，这个案例展示了如何通过OpenCV库进行图像处理，包括尺寸调整、边缘检测、轮廓识别、坐标变换以及最终的OCR文字识别。这些步骤是图像分析和自动化文本提取的关键技术，常用于文档扫描、图像识别和信息提取等领域。

全世界最强的英文OCR，辨识率超过 99％●最强的辨识率　 OmniPage 是目前世界上辨识率最高、辨识速度最快的辨识软件，辨识率比12.0版提高35%以上，整体辨识率高达99%以上，可以正确辨识各种图形 (包括Adobe PDF) 的文件，并扩大了医学及法律的字典。●支援Adobe PDF 文件辨识 　可以设定 PDF 文件(包括影像档的文件)辨识的页数范围，直接辨识图形、文字和表格，将完整页面输出到 Word 文件，直接图文整合翻译。并可将扫描好的文件直接转存成可编辑格式的 PDF 文件。 ●单键自动辨识　只要一个按钮，便可自动完成分析、辨识、储存辨识好的文件，并可转换成可编辑的文字文件。自动解析表格、文字、图形，并且完整保留文件格式。 ●Microsoft Office 整合技术　直接在 Microsoft Word、Excel、PowerPoint 内建辨识、设定指令，辨识结果可以储存成 .doc .xls .htm .txt .tif .Rtf 多种格式。 ●可以辨识表格储存成试算表格式　全世界唯一可以与 Excel 试算软件结合的英文辨识软件。可将复杂的表格辨识转存为 .Xls 格式。 ●支援多国语言　支援最多语系的辨识软件，共支援119种文字，可以辨识法文、德文、义文、西班牙文、葡萄牙文、瑞典文...等等。 ●模拟人声发音 　所有辨识好的文字都可以利用 Text-to-Speech 发音整篇文章来进行校稿动作。 ●重新切割区块辨识　提供区块重新切割功能，变更区块属性等再辨识功能，让您能够修正错误的辨识结果，以便利校对文稿。 ●设定页数及辨识范围 ●辨识 Adobe PDF 文件(包括影像档的文件) ●将文件图形和影像直接转成Adobe PDF 文件 ●保留原始扫瞄文件的格式 ●轻松辨识表格、试算表 ●大幅提升低解析度影印稿及传真的文件辨识 ●支援双页同时辨识，大幅减少辨识时间 ●搭配任何厂牌的扫描器 安装程序太大，自己下载，这里就上传个注册机。

在当今数字化时代，数据的处理和转换是日常工作和学术研究中不可或缺的一部分。随着技术的发展，越来越多的工具被开发出来以简化和加速这些过程。在这些工具中，将PDF文档或图片文件转换为Excel电子表格的功能尤为重要，它允许用户以结构化的方式重新组织和分析信息。 本文介绍的是一款免费工具，名为“免费的PDF/图片转excel工具-调用百度OCR API接口”，其核心功能是实现PDF文件和图片格式中包含的表格数据的自动识别和转换。该工具采用Qt框架进行开发，使得它具有跨平台的特性，可以在不同的操作系统上运行，满足不同用户的需求。 使用百度的OCR（光学字符识别）技术API接口，该工具能够高效地从PDF或图片中提取文字和表格信息。OCR技术的运用大幅提高了数据录入的准确性和速度，降低了人工输入数据时可能出现的错误和时间成本。此外，通过调用百度的云服务API接口，该工具能够确保数据处理的高效性和准确性。 “免费的PDF/图片转excel工具”支持多种语言的字符识别，并且拥有友好的用户界面设计，使得用户即便不熟悉编程也能轻松使用。这款工具的发布，对于需要处理大量文档和数据转换的用户来说，无疑是一个福音。 在标签方面，该工具被归类为“qt 软件/插件 百度”，这意味着它是一个基于Qt开发的软件或插件，并且与百度的技术服务相关联。这种分类不仅帮助用户了解工具的技术背景和可能的应用范围，同时也体现了开发者利用现有技术平台和资源，为用户提供了便捷的数据处理解决方案。 尽管该工具为用户提供了便利，但使用过程中仍需注意一些细节。例如，对于那些受版权保护或包含敏感信息的文档，用户在使用该工具之前应确保转换行为的合法性。此外，对于处理特别复杂的表格布局时，自动转换结果可能需要人工校对和调整，以确保数据的准确性。 “免费的PDF/图片转excel工具-调用百度OCR API接口”是一个实用且高效的工具，它为数据处理提供了一种快速、准确和便捷的方法。对于经常需要将PDF或图片中的数据转换为Excel电子表格的用户来说，这款工具无疑是值得尝试的。

tesseract-ocr-w64-setup-v5.0.0.exe，这是安装tesseract必须的辅助工具，拥有极好的图像处理能力

paddleocr的标注工具，可以解压后直接使用，不需要进行环境配置，只需双击运行程序即可。该资源可以用于OCR项目的标注工具使用，操作简单，标注后的数据可以直接作为数据集使用。可以对于那些不会运行代码的标注人员简单的进行标注。

标题中的“中国毛笔字样本”是指一组包含中国书法风格的毛笔字图像，这些图像通常具有独特的艺术价值和文化内涵。在OCR（Optical Character Recognition，光学字符识别）技术中，这类样本被用于训练和测试算法，以便让计算机能够识别和转化手写文字为可编辑的电子文本。OCR技术在现代社会有着广泛的应用，如银行支票自动读取、文档数字化等。 OpenCV（开源计算机视觉库）是一个跨平台的计算机视觉和机器学习软件库，它提供了丰富的图像处理和计算机视觉功能。在这个场景下，OpenCV可以用来处理毛笔字图像，通过图像预处理、特征提取、分类器训练等一系列步骤，实现对毛笔字的自动识别。 描述中提到这些样本已经转换为jpg格式，这意味着它们是以Joint Photographic Experts Group（JPEG）的压缩标准存储的，这是一种常见的图像文件格式，适合于存储具有复杂色彩的图片，且文件大小相对较小，便于在网络上传输和存储。 标签“毛笔字”表明了这些样本的主要内容，毛笔字是中国传统书法的一种，以其独特的笔画、结构和韵律著称。在OCR任务中，毛笔字的识别比印刷体更为复杂，因为其形状多变、连笔常见，这对OCR算法提出了更高的要求。 从压缩包子文件的文件名称“012920180135.zitie114”来看，这可能是一个特定日期（2018年1月29日1时35分）创建或更新的文件，编号“zitie114”可能是样本集中的第114个文件，这样的命名方式方便管理和追踪数据集中的各个样本。 在使用这些毛笔字样本进行OCR开发时，首先需要进行数据预处理，包括灰度化、二值化、去噪等步骤，以减少图像中的干扰因素。接着，可以采用OpenCV的特征提取方法，如SIFT（Scale-Invariant Feature Transform）或HOG（Histogram of Oriented Gradients）来抽取关键信息。然后，利用机器学习算法（如支持向量机SVM、深度学习的卷积神经网络CNN）训练模型，使其能够识别不同形态的毛笔字。通过测试集验证模型的性能，不断调整优化，提高OCR系统的准确率和鲁棒性。 这个数据集为中国毛笔字的OCR研究提供了宝贵的资源，对于了解和提升OCR技术在处理非标准字体，尤其是传统文化元素方面的能力具有重要意义。

Tesseract-OCR是一个开源的光学字符识别（Optical Character Recognition，简称OCR）引擎，能够读取图片文件中的文字并将其转换为可编辑、可搜索的数据格式，如纯文本。作为一款历史悠久且广泛使用的OCR工具，Tesseract支持多种操作系统，包括Windows、Linux和Mac等，并且支持多种编程语言进行二次开发和集成。 在本案例中，通过创建一个基于Docker的镜像包，用户能够轻松地在自己的计算机上搭建一个包含Tesseract-OCR和Java环境的容器，从而在Java应用程序中集成和使用Tesseract-OCR的功能。Docker镜像包的名称为“tesseract-java.tar”，意味着这个镜像集成了Tesseract-OCR和Java环境。 通过这种方式集成Tesseract-OCR到Java中，用户不仅可以利用Tesseract强大的文字识别能力，还能够借助Java语言的跨平台特性来构建更为复杂的文字识别系统。例如，在企业级应用中，用户可以开发出一系列的OCR服务，通过HTTP接口将识别功能提供给外部应用程序使用，这样其他系统或服务只需要通过简单的HTTP请求即可调用OCR功能，实现了功能的模块化和接口化。 集成过程中，考虑到Tesseract-OCR支持多种语言的识别，博客的作者还在Docker镜像中下载并安装了所需的语言包。这意味着用户在部署此Docker镜像时，不需要额外的配置即可使用Tesseract-OCR识别多种语言文字，大大简化了部署和使用过程。 此集成方案的优点是，用户不需要自行配置复杂的开发环境，也无需关心不同操作系统之间的兼容性问题。Docker容器技术确保了应用的一致性和可移植性，使用户能够专注于业务逻辑的实现和创新，而不必担心环境搭建的繁琐性。 此外，由于Docker容器轻量级的特性，部署和运行Tesseract-OCR的Java应用程序将更加高效，资源占用更小，且启动速度更快。这为需要大量OCR处理的场景，如文档数字化、在线翻译服务、大数据分析等提供了强有力的支持。 该Docker镜像包不仅提供了一个方便快捷的OCR解决方案，还大大降低了技术门槛，使得开发者可以更加专注于应用层面的创新，而不必为底层技术细节所束缚。对于需要将OCR功能集成到Java应用程序中的开发者来说，这无疑是一个非常有价值的工具。

**Tesseract OCR简介** Tesseract OCR（Optical Character Recognition，光学字符识别）是一款开源的OCR引擎，由HP公司于1985年开发，并在2005年被Google接手维护。它主要用于自动识别图像中的文字，将其转换为可编辑和可搜索的文本格式。Tesseract OCR具有高度的灵活性和可扩展性，支持多种语言，包括中文。 **版本信息** 标题中的"tesseract-ocr-setup-4.00.00dev"指的是Tesseract OCR的一个开发版本，即4.00.00的开发版。这个版本可能包含了一些新的特性和改进，但同时也可能存在未解决的问题或不稳定因素，因为它是处于开发阶段的软件。 **中文支持** 描述中提到“带中文库”，这意味着这个安装包包含了对中文的支持。Tesseract OCR在早期版本中并不直接支持中文，但随着其发展，已经添加了对多种中文字符集的支持，如简体中文（chi_sim）和繁体中文（chi_tra）。在这个安装包中，"chi_sim.traineddata"文件就是Tesseract OCR识别简体中文所需的训练数据文件，它包含了关于简体中文字符的模式和特征信息，使得Tesseract能够准确地识别中文文本。 **安装与使用** "tesseract-ocr-setup-4.00.00dev.exe"是Windows平台的安装程序，用户可以通过运行这个文件来安装Tesseract OCR。安装过程中，系统会将必要的库和可执行文件部署到指定的位置。安装完成后，用户可以利用命令行工具或者集成在其他软件中的API来调用Tesseract OCR进行文字识别。 **开发者版本** 标签中的"dev"提示这是一个开发者版本，意味着它可能包含调试工具、额外的日志输出和其他开发者需要的功能。对于开发者来说，这个版本有助于他们深入理解Tesseract的工作原理，调试自定义的训练数据，或是开发基于Tesseract的定制化解决方案。 **扩展与训练** "Tesseract-ocr-dev"可能是指Tesseract OCR的开发者文档、源代码或者开发工具。开发者可以利用这些资源学习如何创建和训练新的语言数据包，以适应特定的OCR需求。例如，如果需要识别一种不常见的方言或者特殊字体，开发者可以自行收集样本，通过训练过程让Tesseract学习并识别这些字符。 Tesseract OCR是一个强大的OCR工具，尤其在4.00.00dev这样的开发版本中，它提供了更广泛的语言支持和更丰富的开发者选项。对于需要处理中文文本的开发者和用户而言，这个带有中文库的版本是一个非常有价值的资源。通过深入学习和实践，可以充分利用Tesseract OCR的强大功能，实现高效、准确的文字识别应用。

Aspose.Total是一个功能强大的Java库集合，它提供了一系列的API来处理多种文档格式，包括但不限于文档、电子表格、演示文稿、图表和电子邮件。这个集合能够帮助开发者在不安装相应应用程序或插件的情况下，轻松地在Java应用程序中实现文档的创建、修改、转换和呈现。 Aspose.Total.java 20.3是该产品的2020年第三季度发布的版本。这一版本包含了一系列的改进和新特性，主要关注点在于提升性能、增强现有功能以及添加对新格式的支持。在这个版本中，Aspose.Total不仅仅着眼于单一文件格式，而是覆盖了广泛的文件处理需求，如文档转换、数据提取、格式化和编辑等。 标题中的“授权免费版”意味着该版本的Aspose.Total可以免费使用，而通常此类软件会分为免费版和商业版。免费版一般会有使用次数、功能限制或包含水印等限制，而商业版则提供完整的功能和无限制的使用。标题表明即使是免费版本，也足以满足许多基础的文档处理需求。 “懂得都懂”这部分表述虽然简短，但传达了一种对特定群体的暗示，即这个授权免费版是为那些了解其价值的用户准备的。这可能是因为即便是免费版本，也具有很高的实用价值，尤其是对于那些对文档处理有特定需求的开发者。 标签“word转PDF OCR”则直接指出Aspose.Total可以执行的一个关键功能，即支持Word文档到PDF格式的转换，并且具备光学字符识别（OCR）技术。OCR技术允许用户将扫描的纸质文档或图片中的文字转换成可编辑和可搜索的文本格式，这在处理旧文档或需要将纸质资料电子化时特别有用。 压缩包子文件的文件名称列表中只有一个文件名称“aspose.total.java.20.3授权版”，这表明压缩包内可能包含整个授权免费版的Java库集合，供用户下载并集成到自己的Java项目中。文件名称的简洁性进一步强调了产品的授权状态，即无需额外成本即可使用。 Aspose.Total.java 20.3授权免费版是一个强大的工具集合，它能够帮助Java开发者在不依赖外部程序的情况下处理和转换各种文档格式，特别是提供免费版以让更多人体验其功能和便利性。通过集成OCR技术，该产品为处理纸质文档数字化提供了有效的解决方案。

OcrEngine ocr = new OcrEngine(); ocr.Image = ImageStream.FromFile(@"image.tiff"); if (ocr.Process()) { Console.WriteLine(ocr.Text); } OCR技术，即光学字符识别技术，是一种将图片文件中的文字转化为可编辑、可搜索的文本文件的技术。Aspose.OCR for .NET是Aspose公司推出的一款面向.NET开发者的OCR库，专门用于将图像文件（如JPEG, PNG, BMP, TIFF等格式）中的文字内容识别出来，并转化为电子文本。 Aspose.OCR for .NET的功能强大，支持多种语言的识别，用户可以根据自己的需要来调整识别的精度、速度和其它参数。这款库的使用方法比较简单，只需要调用相应的API函数即可轻松集成到.NET项目中。 从提供的示例代码中可以看到，Aspose.OCR库的核心类是OcrEngine。首先需要创建一个OcrEngine对象，然后通过Image属性将需要处理的图像文件（如image.tiff）加载进来。接下来调用Process方法来执行OCR识别过程，如果识别成功，就可以通过Text属性获取到识别出的文本内容，并将其输出。 在应用OCR技术的过程中，我们需要注意图像的质量，因为高清晰度和良好的对比度对于OCR的识别准确率有着极大的影响。此外，图像中的文字排版、字体大小、文字间隔等也都会对识别结果产生影响。因此，在进行OCR之前，常常需要对图像进行预处理，以提高识别率。 Aspose.OCR for .NET作为一款成熟的OCR库，还提供了诸如识别区域的定制、图像的二值化、去噪、倾斜校正、文字方向检测等高级功能，从而帮助开发者更准确地完成复杂的OCR任务。无论是在文档自动化处理、数据录入，还是在图像文档的数字化转换等方面，Aspose.OCR for .NET都能提供强大的技术支持。 随着技术的发展，OCR技术的应用领域也在不断扩大。例如，在数字图书馆建设中，OCR技术可以帮助图书馆将大量的纸质图书快速转换为电子文档；在金融领域，OCR技术可以用来识别支票和账单上的手写数字和文字；在法律领域，OCR技术可以辅助电子化合同和文件的管理；在医疗领域，OCR技术可以帮助转换和处理病历资料；在安全领域，OCR技术也被用于车牌识别等。 Aspose.OCR for .NET提供了一个高效、易于使用的OCR解决方案，能够极大地提高开发者处理图像中文字内容的效率，降低开发难度，是.NET开发者在进行文档处理时不可多得的一个工具。