3、图像预处理（上）：图像缩放、旋转、平移、仿射变换与透视变换

各位同学，欢迎来到图像预处理的上半场。

说实话，在文档扫描这个领域，预处理做得好不好，直接决定了后面OCR识别的成败。我见过太多项目，算法选得再牛，结果因为图像歪歪扭扭、分辨率不对，识别率直接掉到30%以下。所以，这一章我们得把基本功打扎实。

3.1 图像缩放：别让像素白忙活

图像缩放，说白了就是改变图片的尺寸。你想想看，一张A4纸扫描进来，可能分辨率高达4000x6000，直接扔给OCR模型？那速度慢得你想哭。

OpenCV里最常用的两个函数：

  • cv2.resize() — 核心函数，没有之一
  • cv2.INTER_* — 插值方法的选择

我个人习惯，在文档预处理阶段，一般把长边缩放到1000-1500像素。为什么呢？因为大部分OCR模型在这个尺度下，既能保证识别精度，又能跑得飞快。

核心知识点：插值方法的选择

  • 缩小图像：用 cv2.INTER_AREA。这是最保真的方式，不会出现锯齿。
  • 放大图像：用 cv2.INTER_CUBIC 或 cv2.INTER_LINEAR。CUBIC更平滑，但慢一点。
import cv2

img = cv2.imread('document.jpg')
# 缩小到宽度800像素，高度按比例自动计算
width = 800
ratio = width / img.shape[1]
height = int(img.shape[0] * ratio)
resized = cv2.resize(img, (width, height), interpolation=cv2.INTER_AREA)

cv2.imshow('Resized', resized)
cv2.waitKey(0)

我的小技巧： 如果你不确定用哪种插值，先试试INTER_LINEAR。它在速度和效果之间取得了很好的平衡。我在项目中90%的情况都用它。

3.2 图像旋转与平移：把歪的扶正

文档扫描最头疼的问题是什么？拍歪了！

你想想看，一张身份证照片，角度偏了5度，OCR识别率可能就从95%掉到60%。为什么会这样？因为OCR模型默认文字是水平的，你给它一个倾斜的文本行，它当然认不准。

3.2.1 平移：简单但有用

平移就是让图像在x轴或y轴上移动。OpenCV用仿射变换矩阵来实现。

import numpy as np

# 定义平移矩阵：向右平移100像素，向下平移50像素
M = np.float32([[1, 0, 100],
                [0, 1, 50]])
shifted = cv2.warpAffine(img, M, (img.shape[1], img.shape[0]))

嗯，这里要注意：平移后超出边界的部分会被裁剪掉。如果你不想丢失内容，可以适当扩大画布尺寸。

3.2.2 旋转：扶正文档的关键

旋转是文档预处理的重头戏。OpenCV提供了cv2.getRotationMatrix2D()来生成旋转矩阵。

# 以图像中心为旋转点，逆时针旋转15度，缩放比例1.0
(h, w) = img.shape[:2]
center = (w // 2, h // 2)
M = cv2.getRotationMatrix2D(center, 15, 1.0)
rotated = cv2.warpAffine(img, M, (w, h))

我曾经踩过的坑： 旋转后图像四个角会被裁剪掉！如果你要保留完整内容，需要重新计算旋转后的画布尺寸。我当年第一次做文档矫正时，旋转完发现文字缺了一角，排查了半天才发现是这个问题。

解决方案：计算旋转后图像的外接矩形，动态调整输出尺寸。

def rotate_bound(image, angle):
    (h, w) = image.shape[:2]
    center = (w // 2, h // 2)
    M = cv2.getRotationMatrix2D(center, angle, 1.0)
    
    # 计算新边界
    cos = np.abs(M[0, 0])
    sin = np.abs(M[0, 1])
    new_w = int((h * sin) + (w * cos))
    new_h = int((h * cos) + (w * sin))
    
    # 调整平移量
    M[0, 2] += (new_w / 2) - center[0]
    M[1, 2] += (new_h / 2) - center[1]
    
    return cv2.warpAffine(image, M, (new_w, new_h))

3.3 仿射变换：更自由的变形

仿射变换，说白了就是「平移+旋转+缩放+剪切」的组合。它有一个重要特性：平行线变换后仍然是平行线。

在文档处理中，仿射变换常用于矫正轻微的透视变形。比如你从侧面拍了一张文档，虽然有点歪，但整体还是平行四边形。

# 原图中的三个点
pts1 = np.float32([[50, 50], [200, 50], [50, 200]])
# 目标图中的三个点
pts2 = np.float32([[10, 100], [200, 50], [100, 250]])

M = cv2.getAffineTransform(pts1, pts2)
result = cv2.warpAffine(img, M, (img.shape[1], img.shape[0]))

关键理解： 仿射变换只需要3个点对就能确定。为什么？因为3个点可以唯一确定一个平行四边形。你想想看，3个点就能锁定一个平面，这就是仿射变换的数学基础。

3.4 透视变换：文档矫正的终极武器

终于到了重头戏。透视变换，也叫「四点变换」，是文档扫描中最核心的技术之一。

和仿射变换不同，透视变换允许平行线变成不平行。什么意思呢？就是你从斜上方拍一张名片，原本是矩形的名片在照片里变成了梯形。透视变换可以把梯形「拉」回矩形。

# 原图中的四个角点（比如文档的四个角）
pts1 = np.float32([[56, 65], [368, 52], [28, 387], [389, 390]])
# 目标图中的四个角点（拉直后的矩形）
pts2 = np.float32([[0, 0], [300, 0], [0, 400], [300, 400]])

M = cv2.getPerspectiveTransform(pts1, pts2)
result = cv2.warpPerspective(img, M, (300, 400))

我的实战经验： 在文档扫描项目中，最难的不是透视变换本身，而是如何自动找到文档的四个角点。我通常的做法是：先做边缘检测（Canny），然后找轮廓，再用多边形逼近找到四个顶点。这个过程我会在后面的章节详细讲。

3.5 四种变换的对比总结

变换类型 所需点数 保留特性 典型应用
平移 1个向量 形状、大小不变 图像对齐
旋转 1个角度+中心 形状不变 文档扶正
仿射变换 3个点对 平行线保持平行 轻微变形矫正
透视变换 4个点对 直线保持直线 文档矫正、名片扫描

我个人建议，初学者先把仿射变换和透视变换搞明白。这两个是文档预处理的核心。旋转和平移虽然简单，但它们是基础中的基础，千万别忽视。

注意： 透视变换要求输入的4个点不能共线，且最好按顺时针或逆时针顺序排列。我曾经因为点的顺序搞反了，结果矫正出来的图像是镜像的，调试了半天才发现。

好了，这一章的内容就到这里。下一章我们会继续讲图像预处理的下半部分——滤波、二值化和形态学操作。这些技术会帮你把文档图像处理得更干净，为OCR识别铺平道路。

记住一句话：预处理做得好，OCR识别没烦恼。

公众号:蓝海资料掘金营，微信deep3321

← 上一章 📖 返回目录 下一章 →