如何使用Pytesseract为成对单词绘制单个Bounding Box？

默认情况下，Pytesseract的image_to_data会将每个单词识别为独立文本块，因此会为每个单词单独绘制边界框。要实现将连续两个单词（比如“Bounding Box”）合并为一个边界框，可以按以下思路修改代码：

核心思路 #

1. 过滤识别结果中的空文本项，仅保留有效单词的检测数据
2. 成对遍历相邻单词，计算合并后边界框的坐标：
   • 合并框左上角x取两个单词的最小left值
   • 左上角y取两个单词的最小top值
   • 右下角x取两个单词left+width的最大值
   • 右下角y取两个单词top+height的最大值
3. 根据计算出的坐标绘制合并后的边界框

修改后的代码 #

import pytesseract
import cv2
from pytesseract import Output

# 读取目标图像
image = cv2.imread("your_image_path.jpg")

# 获取OCR识别数据
d = pytesseract.image_to_data(image, output_type=Output.DICT)

# 筛选出包含有效文本的索引
valid_indices = [i for i, text in enumerate(d['text']) if text.strip() != '']

# 成对遍历相邻单词，绘制合并边界框
for i in range(len(valid_indices) - 1):
    idx1 = valid_indices[i]
    idx2 = valid_indices[i+1]
    
    # 获取两个单词的坐标信息
    x1, y1, w1, h1 = d['left'][idx1], d['top'][idx1], d['width'][idx1], d['height'][idx1]
    x2, y2, w2, h2 = d['left'][idx2], d['top'][idx2], d['width'][idx2], d['height'][idx2]
    
    # 计算合并后的边界框参数
    merge_x = min(x1, x2)
    merge_y = min(y1, y2)
    merge_w = max(x1 + w1, x2 + w2) - merge_x
    merge_h = max(y1 + h1, y2 + h2) - merge_y
    
    # 绘制合并边界框（红色，线宽2）
    cv2.rectangle(image, (merge_x, merge_y), (merge_x + merge_w, merge_y + merge_h), (0, 0, 255), 2)

# 可选：保留原单个单词的绿色边界框
for i in range(len(d['level'])):
    text = d['text'][i].strip()
    if text:
        x, y, w, h = d['left'][i], d['top'][i], d['width'][i], d['height'][i]
        cv2.rectangle(image, (x, y), (x + w, y + h), (0, 255, 0), 2)

# 展示结果
cv2.imshow("Merged Bounding Boxes", image)
cv2.waitKey(0)
cv2.destroyAllWindows()

额外说明 #

• 代码中用红色框标记合并后的双单词边界，绿色框保留原单个单词的边界（可根据需求删除该部分逻辑）
• 若仅需针对特定单词组合（而非所有相邻单词），可在遍历前添加判断，例如检查两个单词的文本是否为'Bounding'和'Box'

内容的提问来源于stack exchange，提问作者Danish Siddique