简介基于Python、OpenCV与Tesseract的中文扫描票据OCR识别完整项目定位清晰面向计算机相关专业学生、毕业设计开发者以及初学者。源码经导师认可答辩评审95分测试运行稳定可直接用于课设、毕设或项目初期演示除核心识别代码外还配有使用文档、配置文件与辅助说明便于快速搭建环境、熟悉处理流程并根据需求二次开发。压缩包共144个文件主体为83个Python源文件另含XML配置、PDF说明文档、Markdown笔记等类型覆盖模型调用、参数调整与项目文档整体约105.23MB目录层次清楚。项目围绕票据文字检测与识别涉及OpenCV图像处理和Tesseract中文OCR从内容预览可看到检测模型、加速模块及相关数据文件工程实施较为完整。目前已有205人学习下载适合作为图像识别方向的学习范例也适合课程设计与毕业设计参考。1. 票据OCR识别为什么OpenCVtesseract这个组合仍然能打票据OCR识别这个需求最容易踩的坑是一上来就想堆深度学习模型。实际上面对扫描票据这种版面固定、背景相对安静的任务OpenCV做图像预处理、tesseract做文字识别、正则做字段抽取四五百行代码就能把整条链路跑通。我手上拆的这份资源就是典型代表基于PythonOpenCVtesseract的中文扫描票据识别项目源码、使用文档、支撑资料打包在一起照着文档从环境配置跑到批量识别一个多小时能完整复现。它适合做毕业设计、课程设计也适合想快速在手头项目里落地一个票据识别模块的从业者——先把流程跑通之后再决定要不要换更强的引擎。2. 环境搭建实战装对版本、配好中文库先跑出第一行中文识别结果整套链路吃住三个东西Python、OpenCV、tesseract引擎。pytesseract只是谷歌包装真正的识别能力来自tesseract本身。环境配置这类项目的血泪经验一般集中在两部分一是版本错位二是中文语言包没装其他问题反而少见。2.1 三个依赖先定死Python、OpenCV、tesseract的版本搭配我的习惯是先定版本再写代码因为OpenCV在不同版本里API有细节变化比如cv2.findContours的返回值数量在旧版和新版就不一样。Python方面常见做法是选3.8到3.11之间的版本配合目前PyPI上最新轮子基本没啥兼容问题。OpenCV直接用pip install opencv-python装这个包把核心库和Python绑定一起打好了不需要自己编译。tesseract引擎在Windows上是装一个安装包Linux上是系统包Mac上走Homebrew——三种方式都行但装完一定要验证版本和语言包。python --version pip show opencv-python tesseract --version tesseract --list-langs--list-langs这一步很关键。如果输出里只有eng说明中文字库还没有直接跑中文识别会返回一串乱码或者干脆输出空字符串。很多新手第一步就在这翻车后面所有的预处理代码都没有意义。项目里的使用文档一般会把环境准备放在最前面我建议严格按文档顺序走不要自己跳步。2.2 中文字库chi_simtesseract最容易漏掉的最后一公里识别中文票据必须装chi_sim语言包。Windows安装tesseract时如果安装界面勾选了Additional language data里的Chinese (Simplified)装完--list-langs就能看到chi_sim。如果没有勾选也可以单独把chi_sim.traineddata语言包放进tesseract的tessdata目录。提示如果不想动系统目录可以通过环境变量TESSDATA_PREFIX指定语言包所在路径pytesseract读取的时候会优先用这个变量。Linux下用apt-get install tesseract-ocr-chi-sim直接补包装完重新执行tesseract --list-langs验证。这一步做完再往下走否则后面所有识别结果都不具备参考意义。2.3 最小识别脚本先证明链路能通再谈优化环境到位后先写一个最小脚本跑原始扫描图不做任何预处理直接出OCR结果。目的是确认软件栈是通的排除环境问题。import cv2 import pytesseract pytesseract.pytesseract.tesseract_cmd rC:\Program Files\Tesseract-OCR\tesseract.exe img cv2.imread(invoice_scan.jpg) gray cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) text pytesseract.image_to_string(gray, langchi_sim) print(text)这段代码里tesseract_cmd指向tesseract安装路径Windows环境经常因为这一步没配对报TesseractNotFoundError。langchi_sim指定中文简体语言包。cv2.cvtColor先把彩色图转成灰度图tesseract输入灰度图是常见做法彩色图也能识别但预处理效果不好控制。跑完如果终端能打印出票据上的中文内容说明链路通了接下来才轮到预处理和参数调优。3. 图像预处理把有印章的扫描票据变成tesseract能读的干净图扫描票据和拍照票据不一样扫描件通常是黑白或灰度的背景比较均匀但容易有印章、表格线、轻微的倾斜角度。tesseract对干净的高对比图像识别稳定所以预处理的质量直接决定识别率。这个环节的核心是灰度化、二值化、降噪、倾斜校正四件事。3.1 灰度化与二值化大津法和自适应阈值的选用扫描票据一般是白底黑字灰度化之后像素值分布相对集中。二值化的目标是让文字和背景彻底分离。固定阈值在小样张上看着没问题换一张明暗不同的扫描件就翻车。项目文档里通常都用大津法Otsu来自动计算阈值这是最稳的起点。import cv2 img cv2.imread(invoice_scan.jpg) gray cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) _, binary cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY cv2.THRESH_OTSU) cv2.imwrite(binary.png, binary)threshold的第一个阈值参数传0配合cv2.THRESH_OTSU函数会自动计算最优阈值省去反复试阈值的过程。cv2.THRESH_BINARY表示大于阈值的像素置为255即白底黑字。如果票据本身是黑底白字也可以用cv2.THRESH_BINARY_INV反转。光照不均匀的票据比如扫描时有阴影大津法局部会失效。这时候改用cv2.adaptiveThreshold会好一点。binary cv2.adaptiveThreshold(gray, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 31, 10)blockSize31是计算局部阈值时取31×31邻域必须是奇数。C10表示从邻域加权均值里减去10作为阈值C值越大判定为前景的条件越严格生成的二值图噪声越少。blockSize太小会把背景噪声当文字太大又会让阈值失去局部性。实际扫描件一般先在19到51之间试挑一个视觉上最干净的。3.2 形态学去噪和表格线拆除别让线框干扰字符分割票据上经常有表格线人眼看很清楚但对tesseract是干扰。表格线会把字符区域切割成碎片导致识别时把“许”识别成“讠”加“乍”之类的错误。常见做法是用长条形的结构元素做形态学开运算把横线和竖线分别检测出来再从二值图里减掉。import cv2 import numpy as np binary cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY | cv2.THRESH_OTSU)[1] h_kernel cv2.getStructuringElement(cv2.MORPH_RECT, (40, 1)) v_kernel cv2.getStructuringElement(cv2.MORPH_RECT, (1, 40)) h_lines cv2.morphologyEx(binary, cv2.MORPH_OPEN, h_kernel) v_lines cv2.morphologyEx(binary, cv2.MORPH_OPEN, v_kernel) mask cv2.add(h_lines, v_lines) clean cv2.subtract(binary, mask) cv2.imwrite(clean.png, clean)h_kernel是40×1的横向核开运算后只有长度超过40像素的横向结构才会被保留所以表格横线出来了文字笔画不会因为太短而沾上。v_kernel同理检测纵向表格线。mask合成后cv2.subtract把表格线位置从二值图里扣掉。这里要注意如果票据的表格线本身就压在文字上扣掉线之后文字会有残缺这种图需要回到原图上修复或者把线框区域单独排除不让tesseract把线当成字符的一部分。3.3 倾斜校正先用Hough找角度再旋转回来扫描件经常有0.5度到3度的倾斜角度不大但对OCR的影响很明显。tesseract对水平文字的识别最稳定稍微倾斜就会把字符分开或粘连。常见做法是用cv2.HoughLinesP检测长直线计算直线的角度取中值作为整张图的倾斜角然后用cv2.warpAffine旋转回来。import cv2 import numpy as np def rotate_image(img, angle): h, w img.shape[:2] center (w // 2, h // 2) matrix cv2.getRotationMatrix2D(center, angle, 1.0) return cv2.warpAffine(img, matrix, (w, h), flagscv2.INTER_CUBIC, borderModecv2.BORDER_REPLICATE) edges cv2.Canny(gray, 50, 150, apertureSize3) lines cv2.HoughLinesP(edges, 1, np.pi / 180, threshold100, minLineLength200, maxLineGap10) angles [] for line in lines: x1, y1, x2, y2 line[0] angle np.degrees(np.arctan2(y2 - y1, x2 - x1)) angles.append(angle) median_angle np.median(angles) if abs(median_angle) 0.3: img rotate_image(img, median_angle)Canny的阈值(50, 150)控制边缘检测的灵敏度。HoughLinesP里的threshold100表示累加器阈值低于这个值的线段会被忽略minLineLength200过滤短线段避免把字符笔画误判成直线。角度取中值而不是均值因为少数几条歪斜的短线会把均值带偏中位数更稳定。abs(median_angle) 0.3这个判断是为了避免本来正着的图像被微小抖动反向旋转。BORDER_REPLICATE在旋转时复制边缘像素避免出现黑边。这一套预处理做完票据图应该是一张干净的、水平的、黑白分明的图可以直接交给tesseract。4. tesseract中文参数实战语言包、psm模式与字符集控制预处理之后识别环节的参数选择会再次拉开差距。同样的图psm选不对识别率可能从90%掉到50%。这一章把tesseract几个最影响结果的参数讲清楚。4.1 语言包chi_sim和chi_tra的装载验证识别简体中文票据langchi_sim就够。如果票据是繁体或香港发票需要装chi_tra。程序里可以同时指定多个语言比如langchi_simeng这样中文和英文都能识别。但语言包越多识别时间越长有些情况下反而会互相干扰。我的做法是中文为主就只用chi_sim必要时加eng不要贪多。加载语言包之前先确认包在系统里是完整的。tesseract --list-langs输出里能看到chi_sim就说明OK。如果自己想换更新版本的中文语言包找到.traineddata文件放到tessdata目录或者通过TESSDATA_PREFIX指定路径程序不需要改代码。4.2 psm模式整页、文本块、单行的识别准确率差很远psmPage Segmentation Mode是tesseract对版面分析方式的设置。这个参数对结果的影响非常大。票据识别最常见的psm是3、6、7三个值。psm值含义典型场景3全自动默认的版面分析整张票据一体化提取6假设图像是统一的文本块固定区域多行文字7把图像当作单行文本发票号、日期、金额8单个词单位、品名整张扫描票据用psm3没问题tesseract会自动分块扫描。但如果已经裁剪出某个固定区域比如发票号码区域这时候用--psm 7会强制tesseract只按单行识别省掉版面分析过程准确率明显提升。我一般会先把整张图跑一遍psm3确认哪些字段识别不好然后把对应区域裁剪出来用psm7单独跑。4.3 白名单与黑名单让“发票号”“金额”识别率直接翻倍tesseract默认识别所有字符包括字母、符号、中文。票据上某些字段只有数字和横杠这时候用tessedit_char_whitelist限制字符集能排除字母和标点的干扰。config --oem 3 --psm 7 -c tessedit_char_whitelist0123456789.- text pytesseract.image_to_string(crop, configconfig)--oem 3是引擎模式3代表LSTM和传统引擎的默认组合。-c tessedit_char_whitelist0123456789.-限定只识别数字、点、横杠。对发票号码、金额这类纯数字字段白名单效果立竿见影识别率能提升一到两成。需要注意LSTM模式下白名单的效果并不完全等同于传统引擎但实践中只要字段内容确实是数字这个配置在大多数场景都稳定可用。4.4 结果清洗正则把标签和数值从杂讯里挑出来OCR输出的文本经常混有换行符、空格、全角冒号。直接用正则把需要的字段提取出来这一步比调tesseract参数更容易出效果。import re text pytesseract.image_to_string(crop, langchi_sim, config--psm 6) invoice_no re.search(r发票号码[:]\s*(\d{8,12}), text) amount re.search(r价税合计[(]小写[)][:]\s*[¥]?\s*([0-9,]\.\d{2}), text) if invoice_no: print(发票号:, invoice_no.group(1)) if amount: print(金额:, amount.group(1))正则里的[:]同时匹配全角冒号和半角冒号因为OCR输出经常不统一。[(]和[)]同理。\s*吃掉标签和值之间的空格。金额正则里\d{2}要求小数点后两位如果票据上金额是整数需要调整成正则兼容的写法。注意正则提取的字段最好再配合字符白名单过一道保证最终存入数据库的内容不夹杂OCR识别出来的乱符号。5. 票据OCR避坑指南印章、倾斜、模糊和字符混淆的翻车现场这个项目最常被问的问题集中在识别率上而识别率上不去的根因往往不在代码逻辑而在图像本身的干扰。下面几条是踩过最多坑的按现象、原因、解决三个层面拆开讲。5.1 红色印章盖住文字先做颜色通道分离再二值化现象发票上盖了红色公章印章刚好压在发票号和金额上识别结果出现一串乱码或者关键的几个数字直接丢了。原因灰度化之后红色印章和黑色文字的亮度差异被拉平二值化时印章和文字混在一起tesseract分不清边界。红色印章的干扰在灰度图上几乎是不可逆的。解决在灰度化之前先做颜色通道分离。把图像转到HSV色彩空间提取红色调区域生成掩膜后把红色区域涂白再走灰度化和二值化流程。import cv2 import numpy as np hsv cv2.cvtColor(img, cv2.COLOR_BGR2HSV) mask1 cv2.inRange(hsv, (0, 40, 40), (10, 255, 255)) mask2 cv2.inRange(hsv, (160, 40, 40), (180, 255, 255)) mask cv2.bitwise_or(mask1, mask2) img_clean img.copy() img_clean[mask 0] (255, 255, 255) gray cv2.cvtColor(img_clean, cv2.COLOR_BGR2GRAY) _, binary cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY | cv2.THRESH_OTSU)HSV的H分量把红色区域分成两段0到10和160到180因为红色的色相在色环上是首尾相接的。(0, 40, 40)和(160, 40, 40)中的S和V下限用来排除浅红和白色区域。涂白之后印章影响基本消除文字本身的笔画如果被印章压住无法恢复但至少不会引入额外的乱码字符。5.2 倾斜矫正矫过头从粗调到精调现象预处理做了Hough直线检测旋转角度计算出来是-2.8度但旋转之后文字还是歪的有些字甚至被旋转出了残影。原因Hough直线检测在票据本身倾斜角度比较大的时候直线经常检测不到或者检测到的是印章边缘、图片边框这种非文本参照线算出来的角度和真实角度差出好几度。一次旋转回来反而放大了倾斜。解决先用cv2.minAreaRect对整张图的文字区域做一个粗定位拿到一个粗略的旋转角转正之后再用Hough细调。粗调保证大角度偏差不会跑飞细调修正剩余的小角度。旋转之后如果文字边缘有锯齿可以配合cv2.INTER_CUBIC插值改善但识别速度会慢一些。5.3 0和O、1和l分不清字符约束加替换映射兜底现象发票号码里的数字0被识别成英文O1被识别成小写l金额里的0识别成o。这类混淆在OCR里几乎无法根除。原因传统引擎在字形区分度低时依赖上下文语言模型中英文混排时英文O和数字0的置信度差不多模型选谁取决于周围环境所以结果不稳定。解决两层兜底。第一层是白名单强制限定字段只识别数字第二层是后处理替换识别完之后做一次字符映射把常见混淆统一替换回正确形态。def normalize_ocr_mistakes(text): text text.replace(O, 0).replace(o, 0) text text.replace(l, 1).replace(I, 1) text text.replace(S, 5).replace(B, 8) return text这里的替换规则只对特定字段生效比如发票号、金额、电话号码。如果文本本身包含英文单词就不应该做这种全局替换不然公司名称里的O会被误伤。所以我的做法是先按字段裁剪再对该区域的识别结果做替换清洗。5.4 低分辨率扫描件先放大2倍再识别识别率反而更高现象扫描仪设置的分辨率较低票据文字边缘发虚tesseract经常漏字一行发票信息被识别成断断续续的几个词。原因tesseract内部的中文字形训练数据基于一定像素密度输入图像分辨率太低字符笔画细节丢失模型匹配不到正确字形。很多人在这一步疯狂调阈值和语言包忽略了图本身就不够大。解决直接把灰度图放大再识别。用cv2.resize把图像宽度和高度都放大一倍插值方式选cv2.INTER_CUBIC效果比原图识别稳定得多。gray cv2.resize(gray, None, fx2.0, fy2.0, interpolationcv2.INTER_CUBIC)fx2.0和fy2.0表示宽高各放大两倍。INTER_CUBIC是双立方插值适合放大后边缘过度平滑的场景。放大之后文字笔画变粗tesseract在字符分割时更容易定位连续区块。5.5 全角半角混排pytesseract输出的隐性坑现象识别出的金额文本长这样1.中间的数字有一些是全角有一些是半角正则匹配直接失配数据库里存进去的字段格式全乱。原因中文扫描件中全角字符和半角字符混排tesseract会按原样输出不会自动统一。中日韩文字区域里数字和标点的Unicode码位经常同时存在全角半角两种形式。解决用一个全角转半角的函数把输出统一成半角再走正则提取。def fullwidth_to_halfwidth(s): result [] for char in s: code ord(char) if code 0x3000: code 32 elif 0xFF01 code 0xFF5E: code - 0xFEE0 result.append(chr(code)) return .join(result)0x3000是全角空格统一转成半角空格。0xFF01到0xFF5E是全角符号区减去0xFEE0得到对应的半角Unicode码位。这个转换必须在正则提取之前做否则[0-9]匹配不到全角数字。6. 进阶落地把识别字符串变成结构化票据字段跑通整张票据的文本识别之后下一个问题是识别出来的文字怎么变成票号、日期、金额这些可入库的字段。这一步的核心思路是固定版式的票据优先用模板坐标裁剪区域再对每个区域单独识别不要指望全文识别一次搞定所有字段。6.1 模板坐标裁剪固定版式票据优先用区域定位发票、运单、报销单这类票据版式相对固定。比如发票号码基本在左上角金额在右下角。这时候与其搜全图文本不如直接把固定坐标区域裁剪出来单独跑psm7或psm8。import cv2 import pytesseract img cv2.imread(invoice_scan.jpg) gray cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) crop_no gray[120:160, 40:420] config_digit --oem 3 --psm 7 -c tessedit_char_whitelist0123456789 invoice_no pytesseract.image_to_string(crop_no, configconfig_digit) crop_amount gray[620:660, 500:880] config_amount --oem 3 --psm 7 -c tessedit_char_whitelist0123456789. amount pytesseract.image_to_string(crop_amount, configconfig_amount) print(发票号:, invoice_no.strip()) print(金额:, amount.strip())裁剪逻辑里gray[120:160, 40:420]的行列切片顺序是先行后列120到160是像素行范围40到420是像素列范围。这里的关键点是坐标要基于预处理之后的图像如果之前做了倾斜校正坐标会发生变化需要先旋转再裁剪。一个实用的调参习惯是先用OpenCV的窗口重新看预处理后的图用鼠标在图上量出字段位置的起止像素写进配置文件里。这样即使换成不同票据只需要改坐标不用改代码。6.2 批量识别和失败样本复盘一轮跑完挑脏数据单个字段识别稳定之后批量处理才是生产环境的真正考题。批量流程里会暴露出单张测试注意不到的问题比如不同批次扫描分辨率不一致导致的坐标偏移比如某几张票印章盖的位置不一样。import csv import glob import cv2 import pytesseract results [] for path in glob.glob(scans/*.jpg): img cv2.imread(path) gray cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) crop gray[120:160, 40:420] text pytesseract.image_to_string(crop, langchi_sim, config--psm 7) results.append([path, text.strip()]) with open(ocr_output.csv, w, newline, encodingutf-8-sig) as f: writer csv.writer(f) writer.writerow([文件, 识别内容]) writer.writerows(results) for row in results: if len(row[1]) 8: print(可疑样本:, row[0], row[1])存放CSV时用utf-8-sig编码而不是普通的utf-8这样用Excel打开字段时中文不会乱码。if len(row[1]) 8是一个非常粗浅的筛选真正的检验要看字段格式是否符合预期值。我一般会在批量跑完之后把识别结果里字段长度异常、包含白名单外字符的样本单独抽出来再回到预处理步骤针对这些失败样本调试而不是拿全部样本整体重跑。从那以后我每次做票据OCR项目落地前都强制把三样东西落盘预处理后的图、OCR原始文本、字段提取结果。迭代时只盯着失败样本看改一步验一步不在整批识别率上原地打转。希望帮到你。本文还有配套的精品资源点击获取