检测图像中的白色矩形区域以提升EasyOCR识别效果

针对远距离拍摄标签识别精度低的问题，核心思路是先精准定位并裁剪出白色标签区域，预处理后再输入EasyOCR，以下是具体实现方向：

• 颜色阈值法定位标签
  利用白色标签与深色箱体的颜色差异，通过颜色空间转换提取标签掩码：

  1. 将图像转为HSV格式（比RGB更适合颜色阈值筛选），设置白色的阈值范围（可根据实际拍摄场景微调参数），生成掩码分离白色区域。
  2. 对掩码做膨胀+腐蚀的形态学操作，去除噪点干扰。
  3. 提取掩码中的轮廓，通过面积、长宽比筛选出符合标签特征的轮廓，获取外接矩形后完成区域裁剪。
     示例代码：

  import cv2
  import numpy as np
  
  img = cv2.imread("box_image.jpg")
  hsv_img = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)
  # 白色HSV阈值范围，可根据实际光照调整
  lower_white = np.array([0, 0, 200])
  upper_white = np.array([180, 25, 255])
  mask = cv2.inRange(hsv_img, lower_white, upper_white)
  # 形态学去噪
  kernel = np.ones((3,3), np.uint8)
  mask_clean = cv2.morphologyEx(mask, cv2.MORPH_CLOSE, kernel)
  # 找轮廓并裁剪
  contours, _ = cv2.findContours(mask_clean, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
  for cnt in contours:
      area = cv2.contourArea(cnt)
      if area > 1000:  # 过滤小噪点轮廓
          x, y, w, h = cv2.boundingRect(cnt)
          label_region = img[y:y+h, x:x+w]
  

• 边缘检测+矩形轮廓筛选
  适用于标签边缘清晰的场景：

  1. 先对图像灰度化、高斯模糊，再用Canny边缘检测提取轮廓。
  2. 对轮廓做多边形近似，筛选出4条边的矩形轮廓，结合长宽比、面积进一步过滤非标签区域。
  3. 根据矩形轮廓的外接框裁剪标签，该方法不受颜色单一干扰，适合箱体表面有其他白色小区域的场景。

• 裁剪后预处理增强识别率
  裁剪后的标签区域还需做预处理，进一步提升EasyOCR的识别效果：

  • 将标签转为灰度图，用自适应二值化处理（应对光照不均导致的局部明暗差异）。
  • 通过插值放大标签（比如放大2倍），让字符更清晰。
  • 可选：用直方图均衡化增强对比度，弱化阴影影响。
    示例预处理代码：

  label_gray = cv2.cvtColor(label_region, cv2.COLOR_BGR2GRAY)
  # 自适应二值化
  thresh_label = cv2.adaptiveThreshold(label_gray, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY_INV, 11, 2)
  # 放大标签
  enlarged_label = cv2.resize(thresh_label, None, fx=2, fy=2, interpolation=cv2.INTER_CUBIC)
  

• 备选方案：模板匹配（标签规格固定时）
  如果所有箱体的标签尺寸、形状完全统一，可以提前拍摄一张清晰的标签作为模板，用OpenCV的模板匹配功能快速定位标签位置，直接裁剪对应区域，适合批量标准化场景。

内容的提问来源于stack exchange，提问作者batuhan diler