简介这是一套基于深度学习的端到端文本检测与识别实践方案面向计算机视觉初学者及OCR应用开发者解决自然场景下图文混合图像中的文字定位与内容提取问题。资源采用EAST模型实现高效文本区域检测结合Tesseract引擎完成高精度字符识别全部代码以Python实现具备良好可读性与工程复用性。压缩包共含5个文件2张测试样图jpg、1张效果示例png、1个冻结的EAST检测模型pb文件、1个主逻辑脚本py总大小86.01MB结构精简便于快速部署与调试。已有597人学习下载读者可直接运行text_recognition.py完成从图像输入、文本框检测到字符识别的全流程验证同时获得典型场景下的模型调用范式、图像预处理技巧及常见识别失败的归因分析思路是入门OCR实战的轻量级参考模板。1. dirsfirst.zip 是什么一个轻量级文本检测识别流水线不是玩具是能直接跑通 OCR 全流程的最小可执行单元你手头有一堆扫描件、截图或手机拍的文档图想快速抽文字但又不想装一整套 PaddleOCR 或 EasyOCR——太大、太重、依赖太多。dirsfirst.zip就是这种场景下的“急救包”它不讲模型训练不搞服务部署只做一件事——给一张图3 秒内返回框坐标 识别结果。核心链路极简EAST 检测文本行区域 → Tesseract 逐行 OCR 识别 → 输出带坐标的 JSON 和可视化图。它没用 PyTorch/TensorFlow 训练模块所有模型权重frozen_east_text_detection.pb和推理脚本text_recognition.py全打包进 zip解压即用。适合嵌入到自动化文档处理脚本、离线质检工具、甚至树莓派边缘 OCR 节点里。注意它不是工业级高精度方案但对清晰度中等以上的中文/英文印刷体文档召回率稳在 92%误识率可控——我拿它扫过 2000 张发票截图漏检基本集中在印章遮挡区域而这是 EAST 本身的设计边界不是代码 bug。2. 从解压到出结果五步走通完整 OCR 流水线2.1 解压与环境准备Python 3.7–3.9 是黄金区间别碰 3.10unzip dirsfirst.zip cd dirsfirst提示这个包对 Python 版本敏感。实测 Python 3.10 会因tensorflow1.15.0的 protobuf 兼容问题报ImportError: cannot import name descriptorPython 3.6 则因tesseract绑定库版本冲突卡在pytesseract初始化。我固定用conda create -n ocr-env python3.8创建干净环境再pip install -r requirements.txt包内自带requirements.txt内容为tensorflow1.15.0,opencv-python4.5.5.64,pytesseract0.3.10,numpy1.21.6。特别注意tesseract-ocr本体必须系统级安装Windows 用户去 UB Mannheim 官网 下.exe安装包macOS 用brew install tesseractLinux 用apt-get install tesseract-ocr。路径要加进系统PATH否则pytesseract找不到二进制。2.2 理解输入结构dirsfirst目录下藏着三个关键层目录/文件作用必须存在补充说明images/存放待检测图片.png,.jpg✅支持子目录递归但脚本默认只读一级frozen_east_text_detection.pbEAST 检测模型的冻结图Frozen Graph✅TensorFlow 1.x 格式不可用 TF2.x 直接加载text_recognition.py主推理脚本含预处理、检测、识别、后处理全流程✅入口函数main()默认处理images/下所有图注意11.png,2.jpg,4.jpg是作者放的测试样例不是占位符——它们被硬编码在text_recognition.py的test_images列表里第 32 行如果你删了这些文件脚本会报FileNotFoundError。正确做法是把你的图放进images/然后注释掉test_images那几行改用glob.glob(images/*.jpg) glob.glob(images/*.png)动态读取。2.3 运行主脚本一条命令触发端到端 OCR输出在哪python text_recognition.py成功运行后你会看到控制台打印每张图的检测耗时EAST 推理约 1.2s/图Tesseract 识别约 0.8s/行output/目录生成11_result.jpg原图叠加绿色文本框 红色识别文字11_result.json结构化结果含boxes4点坐标数组、texts识别字符串、scoresEAST 置信度11_result.txt纯文本按行拼接识别结果关键参数在text_recognition.py第 45 行min_confidence 0.5—— 这是 EAST 检测框的置信度阈值。低于此值的框会被丢弃。若你的图文字小、模糊可降到0.3若背景干扰多如表格线、水印升到0.65减少误检。2.4 修改识别引擎为什么默认用 Tesseract换模型怎么切当前脚本用pytesseract.image_to_string()调用系统 Tesseract好处是零训练、支持 100 语言、中文识别准需装chi_sim语言包。但如果你需要更高精度或支持手写体可无缝切换为easyocr.Reader# 替换 text_recognition.py 中第 187 行开始的 pytesseract 调用段 # 原代码 # text pytesseract.image_to_string(roi, langchi_sim, config--psm 7) # 改为需先 pip install easyocr import easyocr reader easyocr.Reader([ch_sim,en], gpuFalse) # cpu 模式足够快 result reader.readtext(roi) text .join([item[1] for item in result]) if result else 逻辑说明psm 7单行模式是 Tesseract 对 EAST 切出来的 ROI 最稳妥的配置EasyOCR 的readtext自动适配单行/多行但 CPU 模式下每行识别慢 3 倍实测 2.4s/行所以仅建议在 Tesseract 识别失败率 15% 时切换。EasyOCR 模型权重约 90MB会增大部署体积。3. EAST 检测原理与参数调优为什么框不准坐标怎么映射回原图3.1 EAST 的输出本质四维张量不是“画框”而是“回归几何参数”EAST 模型输出两个张量score_mapsH×W 二值图每个像素代表该位置存在文本中心的概率geo_mapsH×W×5 张量含x1,y1,x2,y2,angle左上、右下坐标及旋转角text_recognition.py第 102 行cv2.dnn.blobFromImage()将图缩放到320×320固定尺寸导致原始坐标需反向映射。关键公式在第 135 行# 原始图尺寸 (orig_h, orig_w)缩放后尺寸 (320, 320) ratio_h, ratio_w orig_h / 320.0, orig_w / 320.0 # geo_map 中的坐标是相对于 320×320 的需乘以 ratio 还原 x1 max(0, int(ratio_w * x1)) y1 max(0, int(ratio_h * y1)) ...参数说明ratio_h/w是缩放比max(0, int(...))防止坐标越界。如果你发现框偏移大概率是orig_h/w获取不准——脚本用cv2.imread()读图后img.shape[:2]获取但某些 PNG 有 alpha 通道shape返回(h,w,4)导致orig_h取错。修复orig_h, orig_w img.shape[:2] if len(img.shape) 2 else img.shape[:2]。3.2 检测框后处理NMS 是必须的但 IOU 阈值不能设太高EAST 原生输出密集候选框需非极大值抑制NMS去重。脚本用 OpenCV 的cv2.dnn.NMSBoxes第 148 行indices cv2.dnn.NMSBoxes(boxes, confidences, 0.5, 0.3) # min_confidence0.5, nms_threshold0.3min_confidence0.5过滤低置信度框同前文min_confidencenms_threshold0.3IOU 阈值。设太高如 0.7会导致相邻短文本行被合并设太低如 0.1则残留大量重叠框。实测中文文档0.25–0.35最平衡。3.3 坐标系陷阱OpenCV 的 (x,y) vs. NumPy 的 (row,col)EAST 输出的geo_maps是 H×W×5索引为[y,x]行优先但 OpenCV 的cv2.rectangle()参数是(x1,y1,x2,y2)列优先。脚本第 162 行cv2.rectangle(orig_img, (x1, y1), (x2, y2), (0, 255, 0), 2) # 正确x1,y1 是左上角列行坐标血泪经验曾因把y1,x1传给rectangle框全画歪——OpenCV 会静默接受但坐标系错位。验证方法用cv2.circle(orig_img, (x1,y1), 5, (0,0,255), -1)在左上角打点看是否真落在文本起始处。4. Tesseract 识别调优中文识别不准不是模型问题是预处理和 PSM 搞错了4.1 预处理三板斧为什么直接送 ROI 给 Tesseract 会崩EAST 切出的 ROIRegion of Interest常含噪声边缘锯齿、背景灰度不均、文字粘连。text_recognition.py第 175 行做了基础预处理roi cv2.cvtColor(roi, cv2.COLOR_BGR2GRAY) # 转灰度 roi cv2.threshold(roi, 0, 255, cv2.THRESH_BINARY cv2.THRESH_OTSU)[1] # 大津法二值化 roi cv2.resize(roi, None, fx2, fy2, interpolationcv2.INTER_CUBIC) # 放大2倍抗锯齿cv2.COLOR_BGR2GRAY必须转灰度Tesseract 彩图输入会降级为灰度但手动转更可控THRESH_OTSU自动找最佳阈值比固定阈值127更适应不同光照resize(..., fx2)最关键一步。Tesseract 对 12–16px 高的文字识别最优EAST 输出 ROI 通常 8–10px 高放大后字符更清晰。实测不放大时中文误识率翻倍。4.2 PSMPage Segmentation Mode选型印刷体文档只用 PSM 7 和 8Tesseract 的--psm参数决定文本布局分析策略。脚本默认psm 7单行文本但针对不同场景应切换PSM 值场景是否推荐原因7单行文本EAST 切出的 ROI✅ 强烈推荐不做版面分析直接 OCR速度最快8单字字符级识别⚠️ 仅当 PSM 7 识别失败时试对模糊字更鲁棒但易把连笔字拆成单字6均匀块整页无分栏❌ 不要用EAST 已切 ROI再做整页分析是冗余计算修改方式config--psm 7 --oem 3oem 3是 LSTM 引擎比旧版oem 0准 20%4.3 中文语言包安装与验证chi_sim不是万能chi_tra才是繁体救星Tesseract 默认不带中文包。Windows 安装时勾选Chinese (Simplified)Linux/macOS 执行# Ubuntu/Debian sudo apt-get install tesseract-ocr-chi-sim # macOS brew install tesseract-lang # 验证是否生效 tesseract --list-langs # 应输出 chi_sim避坑chi_sim对简体中文准但遇到港台繁体如「為」「臺」会乱码。此时需装chi_tra并改langchi_tra。更稳妥的是langchi_simchi_tra让 Tesseract 自动选择——但会慢 15%且需 Tesseract ≥4.1.0。5. 避坑指南五个真实翻车现场与后悔药5.1 现象运行text_recognition.py报错ModuleNotFoundError: No module named tensorflow原因frozen_east_text_detection.pb是 TensorFlow 1.x 冻结图但环境装了 TF2.x。TF2 默认禁用 v1 兼容层。解决pip uninstall tensorflow pip install tensorflow1.15.0 # 若仍报错在脚本开头加 import tensorflow.compat.v1 as tf tf.disable_v2_behavior()5.2 现象output/下只有.json文件没有.jpg和.txt原因cv2.imwrite()路径错误。脚本第 195 行cv2.imwrite(os.path.join(output, f{base_name}_result.jpg), orig_img)中output目录不存在。解决在main()函数开头加os.makedirs(output, exist_okTrue)5.3 现象中文识别结果全是方框□□□或空字符串原因Tesseract 未找到中文字体或语言包或lang参数拼写错误如chi_sim写成ch_sim。解决运行tesseract --list-langs确认chi_sim在列表中检查pytesseract.pytesseract.tesseract_cmd是否指向正确路径Windows 默认C:\Program Files\Tesseract-OCR\tesseract.exe在代码中显式指定pytesseract.pytesseract.tesseract_cmd rC:\Program Files\Tesseract-OCR\tesseract.exe5.4 现象检测框严重偏移全部挤在图片左上角原因cv2.dnn.blobFromImage()的swapRBTrue参数与实际图像通道不符。blobFromImage默认将 BGR 转 RGB但 EAST 模型是在 BGR 图像上训练的OpenCV 默认读图是 BGR。解决将第 102 行改为blob cv2.dnn.blobFromImage(image, 1.0, (320, 320), (123.68, 116.78, 103.94), swapRBFalse, cropFalse)swapRBFalse保持 BGR 顺序匹配模型训练输入。5.5 现象同一张图多次运行识别结果不一致有时准有时不准原因Tesseract 的--psm 7在极短文本如单个数字时存在随机性且未设置--oem 3强制 LSTM 引擎。解决在pytesseract.image_to_string()的config中加入config--psm 7 --oem 3 -c tessedit_char_whitelist0123456789abcdefghijklmnopqrstuvwxyzABCDEFGHIJKLMNOPQRSTUVWXYZ白名单限制字符集大幅提升稳定性尤其对票据数字识别。6. 进阶技巧批量处理 结果结构化 置信度过滤让 OCR 真正可用6.1 批量处理用argparse改造脚本支持命令行传参原脚本硬编码路径无法批量处理不同目录。我在text_recognition.py开头加了参数解析import argparse parser argparse.ArgumentParser() parser.add_argument(--input_dir, typestr, defaultimages, helpInput image directory) parser.add_argument(--output_dir, typestr, defaultoutput, helpOutput directory) parser.add_argument(--min_conf, typefloat, default0.5, helpMin confidence for EAST detection) args parser.parse_args() # 替换原代码中的 images/ 和 output/ 路径 image_paths glob.glob(os.path.join(args.input_dir, *.jpg)) \ glob.glob(os.path.join(args.input_dir, *.png)) os.makedirs(args.output_dir, exist_okTrue)运行方式变为python text_recognition.py --input_dir ./my_docs --output_dir ./results --min_conf 0.46.2 结构化输出JSON 不够用导出 CSV 方便 Excel 分析11_result.json是嵌套结构Excel 打不开。我在脚本末尾加了 CSV 导出import csv with open(os.path.join(args.output_dir, f{base_name}_result.csv), w, newline, encodingutf-8) as f: writer csv.writer(f) writer.writerow([box_x1, box_y1, box_x2, box_y2, text, confidence]) for i, (box, text, score) in enumerate(zip(boxes, texts, scores)): writer.writerow([box[0], box[1], box[2], box[3], text, score])价值点CSV 可直接拖进 Excel用筛选功能查“置信度 0.8”的结果人工复核效率提升 5 倍。6.3 置信度过滤识别结果可信吗用 EAST 置信度 Tesseract 置信度双保险当前脚本只用 EAST 的score_maps做框过滤但识别结果本身无置信度。Tesseract 4.1 支持image_to_data()返回每字符置信度# 替换原 pytesseract.image_to_string() 调用 data pytesseract.image_to_data(roi, langchi_sim, config--psm 7 --oem 3, output_typepytesseract.Output.DICT) # data[conf] 是每单词置信度列表取平均值 if len(data[conf]) 0: word_confs [int(c) for c in data[conf] if int(c) ! -1] avg_conf sum(word_confs) / len(word_confs) if word_confs else 0 else: avg_conf 0最终 JSON 加入recognition_confidence: avg_conf字段。我设定规则avg_conf 60的结果标为status: low_confidence下游系统自动打标待人工审核。从那以后我每次部署 OCR 流程都强制走一遍--min_conf 0.4CSV 导出置信度字段注入三步哪怕只是临时脚本——因为漏掉一个低置信度结果可能就是财务单据上的一个数字错误。希望帮到你。本文还有配套的精品资源点击获取