做文档扫描类需求的时候，最容易踩的坑就是：明明拍出来的照片文字清晰，但直接丢给OCR却识别得七零八落。你以为是引擎不够聪明，其实多半是图片本身没有经过几何矫正和预处理。这也是我特别喜欢跟人聊OpenCV文档扫描项目的原因——它把边缘检测、透视变换、轮廓提取这些传统图像处理知识点全串在一套完整流程里，最后还能接上OCR，做出来效果非常直观。

这篇是OpenCV项目实战的第二节，聚焦“文档扫描OCR识别”。适合已经了解OpenCV基本操作、想做一个完整可展示项目的人，也适合学过图像处理但不知道原理怎么落地的同学。整个项目不依赖复杂模型，核心思路是先定位文档边界，再做透视变换把歪斜的纸面拉直，最后交给OCR引擎识别文字。流程本身能跑通，也能让你真正理解每一步图像处理为什么存在。

1. 整体设计与思路拆解

1.1 为什么不能跳过几何矫正直接OCR

很多人第一次做OCR项目，都会问一个问题：我直接用PaddleOCR或者Tesseract识别拍照的图片不行吗？行，但效果很不稳定。手机拍文档时，镜头往往与纸面存在夹角，文本行是倾斜甚至梯形的，OCR引擎对这种几何畸变非常敏感。引擎内部的文本检测模块虽然能定位文字区域，但它们默认规则是“行是水平的”，遇到透视变形明显的图，要么漏检，要么输出乱序。

我在实际项目里测试过同一张A4合同照片：直接跑OCR和先做矫正后跑OCR，准确率差距可以达到20%以上。尤其是表格、价格数字、身份证号码这类对位置很敏感的内容，歪着的图几乎无法稳定识别。所以文档扫描的第一原则是：先让画面回归“扫描件”状态，再谈文字识别。

1.2 标准流水线：边缘检测到OCR的串联思路

整个项目实际上是一条图像处理流水线，从原始拍照图到最后输出文本，需要经历以下环节：

• 读入图片并做缩放，保证后续处理速度可控
• 转灰度，用高斯滤波去噪
• 用Canny边缘检测提取轮廓线
• 在边缘图上查找轮廓，定位面积最大的四边形区域
• 对检测到的四点做透视变换，把文档区域矫正为正面视角
• 进一步做二值化、锐化等OCR前预处理
• 调用OCR引擎识别并输出文本

这条链路的每一步都有明确目的，不是硬凑出来的。Canny边缘检测负责把纸面边界从复杂的背景中分离出来；轮廓查找和近似多边形负责确认“哪一块是文档”；透视变换负责把倾斜拍摄造成的畸变消除。整套方法也是传统计算视觉时代最经典的“扫描仪替代法”，至今仍然被各类移动端扫描App沿用。

1.3 项目技术选型与工具版本

这个项目我用的核心技术栈是OpenCV和Tesseract。OpenCV负责图像处理部分，Tesseract负责OCR识别。如果你更习惯中文识别，可以后面把Tesseract替换成PaddleOCR，但OpenCV前面的矫正部分完全不需要改，这也是把图像处理和识别解耦的好处。

我用的是OpenCV 4.x版本，Python 3.8以上环境，Tesseract用的5.0版本。需要提醒的是，Tesseract的识别引擎已经更新到LSTM模式，老资料里提到的.traineddata路径和参数有些已经变了。安装时务必确认自己装的版本，否则很多配置会找不到地方。

2. 核心前置步骤：预处理与边缘检测

2.1 为什么用Canny而不是直接找轮廓

文档扫描的第一步，是从原图里找到“纸在哪里”。看起来像废话，但实际操作时问题很多：桌面纹理、阴影、手指、背景里的其他纸张都会干扰。如果直接在原图上找轮廓，算法会因为细节太多而崩溃。

所以要先做三件事：转灰度、降噪、边缘检测。转灰度是为了减少颜色信息干扰，让图像变成一个亮度矩阵；高斯滤波是模糊掉细小纹理，比如木头桌面上的纹路；Canny边缘检测则把亮度变化明显的点标记出来，生成一张黑白边缘图。

Canny相比Sobel算子，多了非极大值抑制和双阈值处理，能产生更细、更连贯的边缘。对于文档这种边缘就是纸张和背景交界线的场景，Canny是最稳妥的选择。阈值参数我会首选150和250，如果发现边缘断裂，再把低阈值调低；如果边缘噪点多，则把高阈值调高。

2.2 预处理代码实现与参数选择

处理第一步的代码很简洁，但每个参数都值得你亲手试一遍：

import cv2 import numpy as np def preprocess_image(image_path): # 读取原始图片，保留原始尺寸备用，但先缩放到合适大小 image = cv2.imread(image_path) orig = image.copy() ratio = image.shape[0] / 500.0 image = cv2.resize(image, (int(image.shape[1] / ratio), 500)) # 转灰度 + 高斯滤波 gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) gray = cv2.GaussianBlur(gray, (5, 5), 0) # Canny边缘检测 edged = cv2.Canny(gray, 75, 200) return orig, image, edged

缩放这一步是很多人忽略的关键点。如果原图是4000像素高的手机照片，直接做Canny和轮廓检测，速度会慢得让你怀疑人生。缩放到500像素高，既能大幅提速，又不会严重丢失文档边界。注意后面透视变换时要乘回缩放比例。

Canny参数75、200是我常用的起始点。低阈值75负责判定像素是否属于边缘候选，高阈值200负责确定强边缘。200取高一点，可以避免背景中纸屑、划痕被当成边缘。如果拍摄环境光照非常均匀，可以尝试100、200；如果边缘弱，则尝试50、150。这个没有绝对正确答案，按视觉反馈来调。

2.3 轮廓查找与四边形近似

拿到边缘图之后，需要从这幅图里找出文档的四个角点。OpenCV的findContours会找所有连通区域，我们需要的是面积最大的那个四边形。原因很简单：绝大多数情况下，文档就是画面里最大的规则物体。

查找轮廓的代码如下：

contours, hierarchy = cv2.findContours( edged.copy(), cv2.RETR_LIST, cv2.CHAIN_APPROX_SIMPLE ) contours = sorted(contours, key=cv2.contourArea, reverse=True)

排序之后，取面积最大的前几个轮廓进行多边形近似。顶部轮廓通常对应纸张本身，如果纸张部分被桌面阴影遮盖，这个轮廓可能不闭合，所以需要配合approxPolyDP做近似。

def get_document_contour(contours): for c in contours: peri = cv2.arcLength(c, True) approx = cv2.approxPolyDP(c, 0.02 * peri, True) if len(approx) == 4: return approx return None

0.02 * peri是近似精度，表示轮廓周长乘以2%作为最大偏差。比例太小会保留冗余点，比例太大会把八边形压成三角形。2%这个值经过了多个项目的验证，绝大多数场景都适用。如果找不到四边形的轮廓，优先考虑Canny阈值是否合适，或者拍摄时是否有大面积遮挡。

2.4 实操心得的细节补充

我第一次做这一步时，在findContours的返回值上栽了个跟头。OpenCV 4.x版本里，findContours返回的是两个值：contours和hierarchy，不再返回图像本身。很多旧教程还是三个返回值，直接拿来用会报错。

另外，轮廓排序后不要只取第一个。有些照片里，画面边缘的阴影也会被检测成一个很大的轮廓，它可能比文档还靠前。判断逻辑应该是：对前几个轮廓做四边形近似，第一个满足条件的才是文档区域。我有一次桌面和文档颜色接近，排第一的轮廓其实是桌面和墙的交界，差点把透视变换算崩。

3. 透视变换与图像校正的实现

3.1 理解透视变换的数学逻辑

透视变换本质上是把图像从一个平面映射到另一个平面。我们拿到的是文档四个角点在照片中的坐标，但这四个点在现实世界中对应一个标准的矩形。透视变换的作用就是计算这个对应关系，让你之后从正面看文档。

如果用生活类比来解释，这就像你把一张海报贴在墙上，然后站在侧面拍了一张照片。照片里的海报是梯形的，透视变换就是一条数学通道，把这个梯形拉伸回长方形，效果等同于你走到海报正前方再看它。

OpenCV提供了getPerspectiveTransform和warpPerspective两个关键函数。前者根据四个源点和四个目标点计算出变换矩阵，后者把这个矩阵应用到整张图像上。理解这一点后，剩下的问题就变成了：如何排序四个点，以及如何确定目标矩形的尺寸。

3.2 四点排序：最容易翻车的地方

approxPolyDP返回的四个点，顺序不一定是左上、右上、右下、左下。可能是乱序的，如果你不做排序，直接丢给getPerspectiveTransform，变换结果会错乱到完全不可用。这里需要写一个坐标排序函数：

def order_points(pts): rect = np.zeros((4, 2), dtype="float32") s = pts.sum(axis=1) rect[0] = pts[np.argmin(s)] # 左上角，x+y 最小 rect[2] = pts[np.argmax(s)] # 右下角，x+y 最大 diff = np.diff(pts, axis=1) rect[1] = pts[np.argmin(diff)] # 右上角，x-y 最小 rect[3] = pts[np.argmax(diff)] # 左下角，x-y 最大 return rect

这个排序逻辑用的是几何特性：左上角的坐标和最小，右下角的坐标和最大；右上角的x-y差最小，左下角的x-y差最大。思路很经典，但在文档严重倾斜时也可能失效。更稳妥的做法是先用矩形的几何中心，计算每个点相对中心的角度，再按角度排序。不过绝大多数项目里，上面这种简单排序已经够用。

排序之后别忘了乘法逆运算。前面缩放过图像比例，所以角点坐标也要乘回缩放比例，否则裁出来的区域位置对不上。

3.3 透视变换代码与输出尺寸计算

目标矩形尺寸有两种选择：固定宽高，比如A4纸比例；或者根据源图像尺寸动态计算，确保识别区域完整。我偏向根据源四点坐标的宽度和高度来生成目标矩形。这样可以避免源图像本身噪点导致的黑色边框，也能让OCR拿到更干净的字。

def four_point_transform(image, pts): rect = order_points(pts) (tl, tr, br, bl) = rect widthA = np.linalg.norm(br - bl) widthB = np.linalg.norm(tr - tl) maxWidth = max(int(widthA), int(widthB)) heightA = np.linalg.norm(tr - br) heightB = np.linalg.norm(tl - bl) maxHeight = max(int(heightA), int(heightB)) dst = np.array([ [0, 0], [maxWidth - 1, 0], [maxWidth - 1, maxHeight - 1], [0, maxHeight - 1] ], dtype="float32") M = cv2.getPerspectiveTransform(rect, dst) warped = cv2.warpPerspective(image, M, (maxWidth, maxHeight)) return warped

这个代码里的np.linalg.norm在算两点之间的欧氏距离。因为透视畸变后，上下边和左右两边的长度往往不一致，所以取最大值，确保整个文档内容都能放进目标区域。maxWidth - 1和maxHeight - 1是防止边界像素溢出，属于OpenCV像素坐标系里常见的小技巧。

3.4 实操记录：一张倾斜照片的完整矫正

我拿了一张在办公桌上随意拍的合同照片做了测试，相机大概在纸面右上方的位置，纸面本身还有轻微旋转。直接看原始图片，文字是歪的。用上面的流程处理之后，输出图像里的合同四条边基本与画幅边缘平行，文本行也恢复了水平状态。

这个过程里最大的感受是：透视变换的输入质量，完全取决于前一步轮廓检测的稳定程度。如果检测到四个角点里混入了一个阴影点，变换结果就会出现明显扭曲。我遇到过一次角落被手指遮住的照片，检测到的四点是错误的，矫正后页面被拉伸成了不规则菱形。解决方法是给用户一个手动指定四角的后备方案，这在移动端扫描App里也是常见交互。

4. OCR识别与输出优化

4.1 OCR引擎选择：Tesseract还是PaddleOCR

OpenCV处理完的图像是干净的正面文档图，接下来要交给OCR引擎。Tesseract是老牌开源OCR，支持很多语言，安装简单，项目依赖少，特别适合快速跑通流程和做英文文档识别。PaddleOCR对中文场景更友好，识别率通常更高，但依赖库更大。

我个人的经验是：如果文档以英文为主，Tesseract就够了；如果是中文发票、身份证、合同，PaddleOCR更合适。但无论用哪个引擎，前面OpenCV的矫正部分都不变，所以在我们这个项目里，先把Tesseract跑通，之后换引擎成本很低。

4.2 OCR前预处理：二值化与形态学操作

OCR前最后一步图像处理，是要让文字区域与背景的对比度尽量拉大。通常我会对矫正后的图像再做一次灰度化、二值化，必要时加一点形态学操作。

def enhance_for_ocr(warped): gray = cv2.cvtColor(warped, cv2.COLOR_BGR2GRAY) gray = cv2.resize(gray, None, fx=1.5, fy=1.5, interpolation=cv2.INTER_CUBIC) gray = cv2.adaptiveThreshold( gray, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 31, 15 ) return gray

这里我用的是自适应阈值，而不是全局阈值THRESH_BINARY。因为文档照片经常存在局部光照不均，比如台灯光线把纸面照亮一半，另一半在阴影里。自适应阈值会针对每个小区域计算阈值，能够有效消除这种光照影响。31是邻近区域尺寸，必须为奇数；15是减去的一个常数，用来保留细节。增采样到1.5倍的做法，对低分辨率手机照片的识别效果提升尤其明显。

如果你愿意进一步折腾，还可以给二值化后的图像做一次膨胀或腐蚀，填补字符断裂。但这一步要非常谨慎，过度操作会把文字笔画连在一起，反而降低识别率。我的做法是先识别，不理想再处理。

4.3 Tesseract配置与调用

Tesseract调用很简单，关键是配置对语言参数和识别模式。如果是中文，需要指定chi_sim语言包，还要把--psm设置为合适的页面分割模式。

import pytesseract def ocr_image(gray): config = r'--oem 3 --psm 6' text = pytesseract.image_to_string(gray, lang='eng', config=config) return text

--psm 6表示假设图像是统一的文本块，适合合同、文章这类版式规范的文档。如果文档是表格，--psm 6的效果可能不好，需要换成--psm 4或--psm 11。--oem 3表示使用默认引擎组合，通常是最佳选择。

不配置--psm是新手最容易犯的错。Tesseract在不同模式下对图像的切分逻辑完全不同。如果拍照文档有大片留白，它可能把空白当成背景，识别结果会非常糟糕。手动指定psm后，问题能立刻缓解。

4.4 识别结果后处理与准确率提升

识别出的文本往往不是直接可用的，还需要做后处理：空行压缩、特殊字符替换、关键内容正则提取。比如识别证件号码时，会出现0和O混淆、1和l混淆的情况。我的做法是用正则表达式把不符合目标格式的字符过滤掉，再结合业务逻辑做纠错。

一个典型的处理流程：

lines = [line.strip() for line in text.split('\n') if line.strip()] clean_text = '\n'.join(lines)

如果想让准确率再上一个台阶，可以加入图像反色判断。原文档如果是深色纸浅色字，刚识别结果多半很差，这时候对二值化图像做一次取反再识别。我处理过一份打印在黄色纸上的资料，第一遍OCR几乎全军覆没，反色之后识别率回到了正常水平。

5. 常见问题与排查技巧实录

5.1 查不到四边形轮廓

这是最典型的问题，原因多半出在预处理上。Canny阈值如果太高，纸张边缘会断成碎渣，导致轮廓无法闭合；如果太低，背景纹理全部变成噪声，面积最大的轮廓反而不是文档。排查顺序建议从这三步着手：

• 先看Canny输出图，是否只有一条清晰的纸边轮廓
• 如果边缘模糊，把高斯滤波的核从5改成3，保留更多细节
• 如果边缘断开，降低Canny的低阈值，让边缘更敏感

只要Canny图上纸张边界清晰连通，轮廓查找通常不会失败。

5.2 透视变换结果扭曲或裁切不完整

主要原因是角点坐标排序错误，或者缩放比例没有乘回。我的建议是在调试阶段把检测到的四个点画在原图上，肉眼确认顺序是否对应左上、右上、右下、左下。确认顺序后再做透视变换。另外，目标尺寸取两对边的最大值，可以避免内容被裁掉。

5.3 OCR识别结果乱码或漏字

先确认OCR输入图像是否干净。透视变换后的图像如果还有阴影边缘或多边形外框，要先做二值化或边缘裁切。其次检查语言包是否安装正确，中文内容却用eng识别，结果肯定不对。最后是--psm模式，逐个尝试1、3、6，看哪个模式最匹配你的版面。

5.4 识别速度过慢

速度瓶颈往往出在最后阶段的OCR上。如果你把一张4000分辨率的原图直接丢给Tesseract，它会处理很久。正确的做法是：矫正后按文档内容区域的尺寸，把图像缩放到宽1200到1500像素左右再送入OCR。这个宽度对大多数文字来说已经足够，识别速度能提升数倍。

6. 性能优化与扩展方向

6.1 用批量处理文件夹中的文档

项目可以很轻松改造成批量扫描工具。把单张图片的处理逻辑封装成一个函数，遍历文件夹内所有图片，输出识别文本汇总到一个文件里。这在处理历史资料电子化时非常有用。批量处理时要注意每个文件单独计算缩放比例，不要用一个固定尺寸应付所有图。

6.2 增加手动选点交互工具

真实场景中，自动化算法总有失手的一天。我对这套流程的最终建议是：增加一个手动选点界面，在自动检测结果不理想时，允许用户手工点击文档四个角点。这样既保留了自动化的速度，又提供了纠错机制。用OpenCV自带鼠标回调就能实现，三四十行代码就能完成，能省下你很多调试时间。

6.3 从Tesseract迁移到深度学习OCR

如果你的场景最终需要更高的中文识别准确率，可以把Tesseract替换成PaddleOCR。OpenCV部分输出的矫正图，通常比直接拍照的图更适合做深度学习OCR训练和推理，因为文本区域的位置关系固定了。很多OCR模型对倾斜文本支持不好，矫正过的图像能显著降低误检率。这个方向可以作为下一步的实战项目继续深入。

写在最后的一点经验

做这个项目到现在，我最想强调的不是某个函数怎么用，而是思路：图像处理任务要把问题分解成一个一个小环节，每个环节的输出质量直接决定后续环节的效果。文档扫描OCR这种项目，最能体现这种“链条效应”。我也踩过不少坑，比如Canny阈值乱调导致轮廓找错、findContours返回值适配错OpenCV版本、Tesseract没有指定psm导致识别结果一团糟。这些坑都不算深，但每次都要耗掉不少时间。

如果你现在准备动手跑这个项目，我建议你把每一段中间结果都保存下来，一步步检查，不要一步到位直接打印OCR结果。看到边缘图、轮廓图、矫正图，你才知道算法在哪一步失效，调整起来也有方向。最后再分享一个小技巧：给透视变换后的图片加一个白色背景边框，再送入OCR，很多引擎对纯白底文本的识别稳定性会明显更好。