Python图像检测与旋转实现：PDF发票OCR预处理问题咨询

嘿，这个场景我处理发票OCR的时候真的碰到过！旋转的页面绝对是OCR准确率的杀手，分享几个我亲测好用的解决方案：

1. 用OCR引擎自带的旋转检测（最省心的方案） #

像Tesseract这类主流OCR工具，本身就内置了文本方向检测的能力，完全不用自己从零造轮子。它能直接识别页面的旋转角度，你只要根据结果校正图像就行。

比如用Python的pytesseract库实现：

import pytesseract
from PIL import Image

# 加载单页图像
page_image = Image.open("rotated_invoice_page.png")

# 调用Tesseract的OSD（方向和脚本检测）功能
osd_result = pytesseract.image_to_osd(page_image)

# 从返回结果里提取旋转角度（找包含"Rotate:"的行）
rotate_angle = int([line.split(":")[1].strip() for line in osd_result.split("\n") if "Rotate" in line][0])

# 校正旋转：如果角度不为0，就反向旋转回去
if rotate_angle != 0:
    corrected_image = page_image.rotate(-rotate_angle, expand=True)
    # 用校正后的图像执行OCR
    ocr_text = pytesseract.image_to_string(corrected_image)

如果是命令行使用Tesseract，直接加--psm 0参数就能先输出旋转信息，再手动校正图像。

2. 基于图像特征的检测（应对OCR检测失效的极端情况） #

如果某些页面文本极少（比如只有logo或少量数字），O引擎可能检测不准，这时候可以用OpenCV的图像分析工具，通过检测文本行的方向来判断旋转角度：

import cv2
import numpy as np

# 加载图像并转灰度
image = cv2.imread("rotated_invoice_page.png")
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

# 边缘检测+霍夫直线变换，提取文本行的角度
edges = cv2.Canny(gray, 50, 150, apertureSize=3)
lines = cv2.HoughLines(edges, 1, np.pi/180, 200)

# 统计所有直线的角度分布
angles = []
for line in lines:
    rho, theta = line[0]
    angle = theta * 180 / np.pi
    # 把角度归一到0-90度范围
    angle = angle if angle <= 90 else angle - 90
    angles.append(angle)

# 找出现频率最高的角度，就是文本的倾斜方向
most_common_angle = np.bincount(np.round(angles).astype(int)).argmax()

# 根据角度校正：如果接近90度，说明是旋转了90度
if most_common_angle > 45:
    corrected_image = cv2.rotate(image, cv2.ROTATE_90_COUNTERCLOCKWISE)
elif most_common_angle > 0:
    corrected_image = cv2.rotate(image, cv2.ROTATE_90_CLOCKWISE)

这个方法适合文本行较多的页面，空白页或极简页面效果会打折扣。

3. 批量处理的小技巧 #

因为你是处理多页PDF，建议先把PDF每页转成图像（用pdf2image库），再对每个图像页单独执行旋转检测和校正，最后统一做OCR：

from pdf2image import convert_from_path

# 把PDF转成图像列表（dpi设300保证OCR精度）
pdf_pages = convert_from_path("multi_page_invoice.pdf", dpi=300)

for idx, page in enumerate(pdf_pages):
    # 对当前页执行上述旋转检测+校正逻辑
    # 校正后直接OCR，或者保存为图像备用
    pass

4. 最后加一步验证 #

校正后可以简单验证下：比如提取一段文本，检查是否是正常可读的（没有上下颠倒的单词），或者统计文本行的方向是否水平。如果遇到极端奇葩的页面，再手动调整就行（这种情况其实很少）。

内容的提问来源于stack exchange，提问作者Developer