计算机视觉案例分享之实时文档扫描 - 指南

目录

一、核心技术原理

1. 图像预处理

2. 轮廓检测

3. 透视矫正

4. 内容增强

二、代码实现

1. 导入库

2. 辅助函数定义

2.1 图像显示函数

2.2 图像缩放函数

2.3 点排序函数

2.4 透视变换函数

3. 主程序

3.1 初始化摄像头

3.2 主循环 - 实时处理

3.3 资源释放

总结

---

一、核心技术原理

为什么需要实时文档扫描？

在数字化办公趋势下，纸质文档的电子化需求日益增长。传统方案存在明显痛点：

• 扫描仪：便携性差，无法满足户外、即时扫描需求；
• 普通拍照：文档易因拍摄角度产生透视变形（如 “梯形” 效果），文字模糊、边缘倾斜；
• 第三方 APP：部分工具功能冗余，隐私数据存在泄露风险。

1. 图像预处理

原始摄像头图像包含大量噪声（如光线不均、背景杂物），直接检测轮廓会产生干扰。预处理的目标是 “突出文档边缘，抑制无用信息”，主要包含 3 个操作：

• 灰度化（BGR→GRAY）：将彩色图像转为单通道灰度图，减少计算量（彩色图 3 个通道，灰度图 1 个通道）。
  关键代码：gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
• 高斯模糊（Gaussian Blur）：用 5×5 的高斯核平滑图像，消除高频噪声（如纸张褶皱、背景纹理），避免边缘检测时误判。
  关键代码：gray = cv2.GaussianBlur(gray, (5, 5), 0)
• 边缘检测（Canny）：通过 “双阈值” 算法提取图像中明暗变化剧烈的区域（即文档边缘），输出黑白二值图（白色为边缘，黑色为背景）。
  关键代码：edged = cv2.Canny(gray, 75, 200)（75 为低阈值，200 为高阈值，可根据光线调整）

2. 轮廓检测

预处理后，文档边缘已清晰可见，下一步是通过 “轮廓检测” 找到文档的外形轮廓。轮廓本质是图像中连续的像素点集合，对应文档的边界。

• 提取轮廓：使用cv2.findContours函数，仅保留最外层轮廓（cv2.RETR_EXTERNAL），并简化轮廓存储（cv2.CHAIN_APPROX_SIMPLE，只保留端点，减少数据量）。
  关键代码：cnts = cv2.findContours(edged.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)[-2]
• 筛选有效轮廓：现实场景中，背景可能存在多个轮廓（如桌面物品），需按 “面积” 排序（保留前 3 个最大轮廓），再通过 “形状” 筛选 —— 文档通常是四边形，因此保留 “轮廓近似后顶点数为 4” 且 “面积足够大”（避免误判小杂物）的轮廓。
  关键代码：approx = cv2.approxPolyDP(c, 0.05 * peri, True)（0.05*peri为近似精度，peri是轮廓周长）

3. 透视矫正

由于拍摄角度问题，文档在图像中常呈现 “梯形” 或 “平行四边形”（透视变形），需通过 “透视变换” 将其转为标准矩形（正面视图），这是文档扫描的核心步骤。

• 原理：透视变换通过一个 3×3 的变换矩阵（M），将原始图像中任意四边形的 4 个顶点，映射到目标图像的 4 个顶点（标准矩形的四个角），从而消除透视变形。
• 步骤：
  1. 排序顶点：将检测到的四边形顶点按 “左上→右上→右下→左下” 排序（通过 “顶点坐标和 / 差” 判断：和最小为左上，和最大为右下；差最小为右上，差最大为左下）；
     关键函数：order_points(pts)
  2. 计算目标尺寸：根据原始四边形的边长，确定矫正后矩形的宽高（取两组对边长度的最大值，避免内容裁剪）；
  3. 生成变换矩阵：用cv2.getPerspectiveTransform(rect, dst)计算矩阵M（rect为原始顶点，dst为目标顶点）；
  4. 应用透视变换：用cv2.warpPerspective将原始图像按矩阵M变换，得到矫正后的文档图像。
     关键代码：warped = cv2.warpPerspective(orig, M, (maxWidth, maxHeight))

4. 内容增强

矫正后的文档可能存在光线不均（如阴影），需通过 “二值化” 将灰度图转为黑白图，突出文字内容，模拟扫描仪的 “黑白模式”。

• 阈值二值化：设定一个阈值（如 220），将灰度值高于阈值的像素设为 255（白色，背景），低于阈值的设为 0（黑色，文字），消除灰度渐变干扰。
  关键代码：ref = cv2.threshold(warped, 220, 255, cv2.THRESH_BINARY)[1]

二、代码实现

1. 导入库

import numpy as np
import cv2

• numpy：用于数值计算和数组操作
• cv2：OpenCV 库，用于图像处理和计算机视觉任务

2. 辅助函数定义

2.1 图像显示函数

def cv_show(name, img):
cv2.imshow(name, img)
cv2.waitKey(6)  # 显示6毫秒后继续执行

• 封装了 OpenCV 的图像显示功能，方便在处理过程中查看中间结果

2.2 图像缩放函数

def resize(image, width=None, height=None, inter=cv2.INTER_AREA):
dim = None  # 存储目标尺寸
(h, w) = image.shape[:2]  # 获取图像原始尺寸
# 如果未指定宽度和高度，返回原图
if width is None and height is None:
return image
# 如果只指定高度，按比例计算宽度
if width is None:
r = height / float(h)
dim = (int(w * r), height)
# 如果只指定宽度，按比例计算高度
else:
r = width / float(w)
dim = (width, int(h * r))
# 执行缩放
resized = cv2.resize(image, dim, interpolation=inter)
return resized

• 保持图像宽高比不变的情况下调整图像大小
• 使用面积插值法 (INTER_AREA)，适用于缩小图像

2.3 点排序函数

def order_points(pts):
rect = np.zeros((4, 2), dtype='float32')  # 存储排序后的点
# 计算每个点的x+y之和
s = pts.sum(axis=1)
rect[0] = pts[np.argmin(s)]  # 和最小的是左上角点
rect[2] = pts[np.argmax(s)]  # 和最大的是右下角点
# 计算每个点的x-y差值
diff = np.diff(pts, axis=1)
rect[1] = pts[np.argmin(diff)]  # 差值最小的是右上角点
rect[3] = pts[np.argmax(diff)]  # 差值最大的是左下角点
return rect

• 将四边形的四个点按 "左上、右上、右下、左下" 的顺序排列
• 为后续透视变换做准备

2.4 透视变换函数

def four_point_transform(image, pts):
rect = order_points(pts)  # 获取排序后的点
(tl, tr, br, bl) = rect  # 解包四个点
# 计算目标图像的宽度
widthA = np.sqrt(((br[0] - bl[0]) ** 2) + ((br[1] - bl[1]) ** 2))
widthB = np.sqrt(((tr[0] - tl[0]) ** 2) + ((tr[1] - tl[1]) ** 2))
maxWidth = max(int(widthA), int(widthB))
# 计算目标图像的高度
heightA = np.sqrt(((tr[0] - br[0]) ** 2) + ((tr[1] - br[1]) ** 2))
heightB = np.sqrt(((tl[0] - bl[0]) ** 2) + ((tl[1] - bl[1]) ** 2))
maxHeight = max(int(heightA), int(heightB))
# 定义变换后的目标点
dst = np.array([
[0, 0],
[maxWidth - 1, 0],
[maxWidth - 1, maxHeight - 1],
[0, maxHeight - 1]], dtype='float32')
# 计算透视变换矩阵并应用
M = cv2.getPerspectiveTransform(rect, dst)
warped = cv2.warpPerspective(image, M, (maxWidth, maxHeight))
return warped

• 将透视变形的文档转换为正面视图
• 通过计算原始四边形的尺寸确定目标图像的大小
• 使用透视变换矩阵实现视角矫正

3. 主程序

3.1 初始化摄像头

cap = cv2.VideoCapture(0)  # 打开默认摄像头
if not cap.isOpened():
print("Cannot open camera")
exit()

3.2 主循环 - 实时处理

while True:
flag = 0  # 文档检测标志
ret, image = cap.read()  # 读取一帧图像
orig = image.copy()  # 保存原始图像副本
if not ret:  # 读取失败则退出
print("不能读取摄像头")
break
cv_show("image", image)  # 显示原始图像
# 预处理：转为灰度图 -> 高斯模糊 -> 边缘检测
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
gray = cv2.GaussianBlur(gray, (5, 5), 0)  # 减少噪声
edged = cv2.Canny(gray, 75, 200)  # 边缘检测
cv_show('1', edged)
# 轮廓检测
cnts = cv2.findContours(edged.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)[-2]
# 按面积排序，取最大的3个轮廓
cnts = sorted(cnts, key=cv2.contourArea, reverse=True)[:3]
# 绘制轮廓
image_contours = cv2.drawContours(image, cnts, -1, (0, 255, 0), 2)
cv_show("image_contours", image_contours)
# 遍历轮廓，寻找四边形（文档）
for c in cnts:
peri = cv2.arcLength(c, True)  # 计算轮廓周长
# 多边形逼近
approx = cv2.approxPolyDP(c, 0.05 * peri, True)
area = cv2.contourArea(approx)  # 计算轮廓面积
# 筛选条件：面积足够大且是四边形
if area > 400 and len(approx) == 4:
screenCnt = approx
flag = 1  # 标记检测到文档
print(peri, area)
print('检测到文档')
break
# 如果检测到文档，进行处理
if flag == 1:
# 绘制文档轮廓
image_contours = cv2.drawContours(image, [screenCnt], 0, (0, 255, 0), 2)
cv_show("image", image_contours)
# 透视变换矫正文档
warped = four_point_transform(orig, screenCnt.reshape(4, 2))
cv_show("warped", warped)
# 文档内容提取：转为灰度图 -> 二值化
warped = cv2.cvtColor(warped, cv2.COLOR_BGR2GRAY)
ref = cv2.threshold(warped, 220, 255, cv2.THRESH_BINARY)[1]
cv_show("ref", ref)

3.3 资源释放

cap.release()  # 释放摄像头
cv2.destroyAllWindows()  # 关闭所有窗口

总结

这个程序实现了一个简单但功能完整的实时文档扫描系统，主要流程包括：

1. 从摄像头获取实时图像
2. 对图像进行预处理（灰度化、模糊、边缘检测）
3. 检测图像中的轮廓，筛选出可能是文档的四边形轮廓
4. 对检测到的文档进行透视变换，矫正为正面视图
5. 对矫正后的文档进行二值化处理，突出显示文档内容

通过这个程序，可以将倾斜或变形的文档拍摄成类似扫描件的效果，提高文档的可读性。