使用Tesseract、OpenCV与Python如何获取整行文本的bounding box？

你获取的boxes数据中已经包含block_num、par_num、line_num三个字段，三个字段的组合可以唯一标识一行文本，直接基于这三个字段分组即可得到整行结果，无需额外做坐标判断，准确率最高。
在你原有代码基础上补充以下逻辑即可：

# 按唯一行标识分组
line_groups = boxes.groupby(['block_num', 'par_num', 'line_num'])
line_results = []

for (block, par, line), group_df in line_groups:
    # 计算整行边界框：取当前行所有单词框的最左、最上、最右、最下坐标
    line_left = group_df['left'].min()
    line_top = group_df['top'].min()
    line_right = (group_df['left'] + group_df['width']).max()
    line_bottom = (group_df['top'] + group_df['height']).max()
    line_bbox = (line_left, line_top, line_right - line_left, line_bottom - line_top)
    # 按单词顺序拼接整行文本
    line_text = ' '.join(group_df.sort_values('word_num')['text'].tolist())
    line_results.append({'text': line_text, 'bbox': line_bbox})

# 输出结果并绘制整行边界框
for item in line_results:
    print(f"整行文本：{item['text']}，边界框：{item['bbox']}")
    x, y, w, h = item['bbox']
    cv2.rectangle(img, (x, y), (x+w, y+h), (0, 255, 0), 2) # 绿色粗框标识整行

cv2.imshow('行识别结果', img)
cv2.waitKey(0)

如果遇到tesseract行识别结果偏差的场景，可以基于你观察到的「同一行单词top值相近」的特征做聚类合并，实现逻辑如下：

# 先对所有单词框按top值升序、left值升序排序
sorted_boxes = boxes.sort_values(['top', 'left']).reset_index(drop=True)
# 可根据实际文本行高调整容差阈值，示例数据中同个行top值最大差为4，设5即可覆盖
top_diff_threshold = 5

line_groups = []
current_line = [sorted_boxes.iloc[0]]

for i in range(1, len(sorted_boxes)):
    current_box = sorted_boxes.iloc[i]
    # 和当前行最后一个单词的top值差小于阈值则归为同一行
    if abs(current_box['top'] - current_line[-1]['top']) < top_diff_threshold:
        current_line.append(current_box)
    else:
        line_groups.append(pd.DataFrame(current_line))
        current_line = [current_box]
# 加入最后一行
line_groups.append(pd.DataFrame(current_line))

# 后续计算整行bbox、拼接文本逻辑和方案1一致
line_results = []
for group_df in line_groups:
    line_left = group_df['left'].min()
    line_top = group_df['top'].min()
    line_right = (group_df['left'] + group_df['width']).max()
    line_bottom = (group_df['top'] + group_df['height']).max()
    line_bbox = (line_left, line_top, line_right - line_left, line_bottom - line_top)
    line_text = ' '.join(group_df.sort_values('left')['text'].tolist())
    line_results.append({'text': line_text, 'bbox': line_bbox})

如果识别的图像存在倾斜问题，建议先做倾斜校正再识别，可以大幅降低行合并的误差。

内容的提问来源于stack exchange，提问作者MimiS