如何用Python提取图片中的删除线文本并转为列表格式

需求说明 #

需要识别并提取图片中带有删除线的文本，仅保留这类内容并将每个实例存入列表，例如期望输出：['从前', '杰克', '村庄']

现有问题 #

使用常规的pytesseract做OCR只能提取图片中的所有文本，但无法识别并标记出带删除线的内容，无法区分目标文本和普通文本。

解决方案 #

方法一：OpenCV预处理+Tesseract OCR #

先通过图像处理识别出带删除线的文本区域，再对这些区域单独做OCR提取内容：

1. 图像预处理：将图像转为灰度图，通过形态学操作检测图像中的水平线（删除线），定位到包含删除线的文本区域。
2. 区域OCR：提取每个目标区域，单独用pytesseract识别文本，收集结果。

代码示例：

import cv2
import numpy as np
from PIL import Image
import pytesseract

# 读取图像
img_path = 'path/to/image.png'
img = cv2.imread(img_path)
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 创建水平线检测的结构元素
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (20, 1))
# 检测水平线（删除线）
horizontal_lines = cv2.morphologyEx(gray, cv2.MORPH_OPEN, kernel, iterations=2)

# 找到轮廓
contours, _ = cv2.findContours(horizontal_lines, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

strikethrough_texts = []

for cnt in contours:
    x, y, w, h = cv2.boundingRect(cnt)
    # 扩展区域以包含整行文本（根据实际情况调整上下偏移）
    text_region = gray[y-10:y+h+10, x:x+w]
    # 转为PIL图像
    pil_img = Image.fromarray(text_region)
    # OCR识别
    text = pytesseract.image_to_string(pil_img).strip()
    if text:
        strikethrough_texts.append(text)

print(strikethrough_texts)

方法二：使用支持文本样式识别的OCR工具 #

比如Google Cloud Vision API，它可以识别文本的格式属性（包括删除线），返回的结果中会标记文本是否带有删除线，直接筛选对应内容即可。

使用该工具的核心逻辑：调用API获取图像文本分析结果，遍历每个文本块，检查是否有删除线标记，收集对应的文本内容。

效果说明 #

通过上述方法，能够准确识别并提取图片中带删除线的文本，最终输出符合预期的列表格式。

内容的提问来源于stack exchange，提问作者ahhhgetit