Python PIL基于像素颜色提取图像清晰文字 适配OCR识别需求

问题背景 #

• 核心需求：移除图像内非文字内容，保留清晰完整的文字，输出结果可被任意OCR程序正常识别
• 现存难点：目标文字为白色，但文字像素RGB值不固定为(255,255,255)，单像素数值存在波动，固定RGB阈值无法精准筛选全部文字像素；尝试过RGB转其他色彩空间、百分比阈值等方案，暂未得到可行实现
• 原有实现缺陷：基于固定RGB上下限的逐像素判断逻辑处理效果不达标，存在文字边缘像素漏判、背景像素误判问题，输出结果无法满足OCR识别要求。原有实现代码如下：

RGB_min=[180,180,180]
RGB_max=[245,245,245]

def level(img):
    copy = img.copy()
    for x in range(img.size[0]):
        for y in range(img.size[1]):
            pxl = list(copy.getpixel((x, y)))
            # if pxl[0] < 220 and pxl[1] < 220: 
            if (pxl[0] < RGB_min[0] and pxl[1] < RGB_min[1]  ) or (pxl[0] > RGB_max[0] or pxl[1] >RGB_max[1]) : 
                pxl[0] = 255
                pxl[1] = 255
                pxl[2] = 255
            else:
                pxl[0] = 0
                pxl[1] = 0
                pxl[2] = 0
                
            copy.putpixel((x, y), tuple(pxl))
    return copy

image = Image.open('1.png')
leveled = level(image)
leveled.save('2.png')

原有代码的核心问题 #

• 逐像素遍历效率极低，大尺寸图像处理耗时是OpenCV向量化操作的数十倍
• 固定RGB区间判断逻辑未考虑白字抗锯齿、半透明叠加的像素特征，既会漏掉边缘的浅灰色文字像素，也会误判背景中接近白色的噪点
• 没有后处理逻辑，零散噪点、文字边缘缺口会大幅降低OCR识别准确率
• 输出为白字黑底格式，不符合绝大多数OCR模型的输入偏好，识别率会受影响

优化实现方案 #

整套逻辑基于HSV色彩空间筛选+自适应二值化+形态学后处理实现，不受RGB数值波动影响，能完整保留文字（包括抗锯齿边缘），输出标准黑字白底的OCR友好格式。

实现步骤 #

• 第一步：将图像从RGB空间转换到HSV空间，白色在HSV空间的特征为饱和度极低、明度极高，特征区间非常稳定，不受RGB单通道数值波动影响，可一次性筛出所有白字像素（包括抗锯齿的浅灰边缘）
• 第二步：使用自适应高斯阈值做二值化，修正图像局部亮度差带来的误判
• 第三步：通过形态学闭运算修补文字边缘缺口，开运算去除零散的背景噪点
• 第四步：反转颜色得到黑字白底的标准输出格式

可直接运行的代码 #

依赖安装：pip install opencv-python pillow numpy

import cv2
import numpy as np
from PIL import Image

def extract_text(input_path, output_path):
    # 读取原始图像
    img = cv2.imread(input_path)
    # 转换到HSV色彩空间
    hsv_img = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)
    # 定义白色的HSV区间：覆盖纯白、浅灰白等所有白字相关像素
    lower_white = np.array([0, 0, 170])
    upper_white = np.array([180, 35, 255])
    # 初筛得到文字掩码
    text_mask = cv2.inRange(hsv_img, lower_white, upper_white)
    # 自适应阈值二值化，适配局部亮度差异
    binary_img = cv2.adaptiveThreshold(
        text_mask,
        255,
        cv2.ADAPTIVE_THRESH_GAUSSIAN_C,
        cv2.THRESH_BINARY,
        11,
        2
    )
    # 形态学操作：补文字缺口+去背景噪点
    kernel = np.ones((2, 2), np.uint8)
    binary_img = cv2.morphologyEx(binary_img, cv2.MORPH_CLOSE, kernel)
    binary_img = cv2.morphologyEx(binary_img, cv2.MORPH_OPEN, kernel)
    # 反转得到黑字白底的标准OCR输入格式
    result = 255 - binary_img
    # 保存结果
    Image.fromarray(result).save(output_path)

# 调用示例
extract_text("1.png", "2.png")

参数调整说明 #

• 若存在文字漏检、笔画残缺：将lower_white中的明度值（第三个参数）从170逐步下调，最低可到140
• 若存在背景噪点残留：将upper_white中的饱和度值（第二个参数）从35逐步下调，最低可到15
• 若文字边缘缺口明显：将形态学卷积核尺寸从(2,2)调整为(3,3)
• 若需要提取其他颜色的文字，只需要修改HSV区间的上下限即可，整套逻辑通用

内容的提问来源于stack exchange，提问作者art