如何用Python+OpenCV提取讲师表格图片每行文本并拆分单元格

嘿，你已经搞定了表格行拆分的第一步，接下来要提取每行的讲师姓名和科目代码文本对吧？我来给你梳理一套实用的实现方案，结合OpenCV的预处理和Tesseract OCR来完成这个需求～

一、补全行拆分逻辑，添加文本提取流程 #

我先把你给出的代码补全，然后加入文本提取的核心步骤：

import cv2
import numpy as np
import pytesseract

# 如果你系统里没把Tesseract加入PATH，需要手动指定路径
# pytesseract.pytesseract.tesseract_cmd = r'C:\Program Files\Tesseract-OCR\tesseract.exe'

cropped_Image_Location = "/home/shakya/Desktop/Paramore/CM_bot/timeTableDetails/Cropped/"
segmentCount = 0

# 读取裁剪后的表格图片
img = cv2.imread(cropped_Image_Location + "cropped_5.jpg")
if img is None:
    print("无法读取图片，请检查路径是否正确！")
    exit()

# 边缘检测（补全你代码里的省略部分）
edges = cv2.Canny(img, 50, 150, apertureSize=3)

# 检测水平线条，用于分割表格行
lines = cv2.HoughLinesP(
    edges,
    rho=1,
    theta=np.pi/180,
    threshold=100,
    minLineLength=100,
    maxLineGap=10
)

if lines is not None:
    # 提取所有水平线的y坐标并去重排序
    y_coords = sorted(list(set([line[0][1] for line in lines])))
    # 添加图片顶部和底部的坐标，确保第一行和最后一行被包含
    y_coords.insert(0, 0)
    y_coords.append(img.shape[0])

    # 遍历分割每一行
    for i in range(len(y_coords)-1):
        y_start = y_coords[i]
        y_end = y_coords[i+1]
        # 跳过过短的行（可能是噪声线条）
        if y_end - y_start < 20:
            continue
        
        # 提取当前行的图像区域
        row_img = img[y_start:y_end, :]
        segmentCount += 1
        # 可选：保存分割后的行图片用于调试
        cv2.imwrite(f"{cropped_Image_Location}row_{segmentCount}.jpg", row_img)

        # --- 核心：预处理+文本提取 ---
        # 1. 转灰度图
        gray_row = cv2.cvtColor(row_img, cv2.COLOR_BGR2GRAY)
        # 2. 自适应二值化（适配光照不均的情况）
        thresh_row = cv2.adaptiveThreshold(
            gray_row,
            255,
            cv2.ADAPTIVE_THRESH_GAUSSIAN_C,
            cv2.THRESH_BINARY_INV,
            11,
            2
        )
        # 3. 去除小噪声（可选，根据图片情况调整）
        kernel = np.ones((1, 1), np.uint8)
        clean_row = cv2.morphologyEx(thresh_row, cv2.MORPH_OPEN, kernel, iterations=1)

        # 4. 使用Tesseract提取文本
        # 配置参数：psm 6表示假设行是一个统一的文本块，oem 3使用默认OCR引擎
        custom_config = r'--oem 3 --psm 6'
        # 如果你的科目代码是字母+数字，还可以限制识别字符集提高准确率
        # custom_config = r'--oem 3 --psm 6 -c tessedit_char_whitelist=ABCDEFGHIJKLMNOPQRSTUVWXYZ0123456789 '
        text = pytesseract.image_to_string(clean_row, config=custom_config)

        # 清理提取到的文本（去除多余换行、空格）
        cleaned_text = text.strip().replace('\n', ' ')
        print(f"第{segmentCount}行内容：{cleaned_text}")
else:
    print("未检测到表格行，请检查边缘检测参数或图片质量！")

二、优化OCR准确率的小技巧 #

如果提取结果有误差，可以试试这些调整：

• 调整二值化方式：如果图片光照均匀，换成全局阈值+OTSU自动阈值：ret, thresh_row = cv2.threshold(gray_row, 0, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU)
• 放大行图片：如果文本太小，可以用cv2.resize(row_img, None, fx=2, fy=2, interpolation=cv2.INTER_CUBIC)放大后再处理
• 分割列区域：如果每行里姓名和科目代码是分开的两列，可以检测垂直线条，把行拆分成两个区域分别提取文本，避免混淆

三、安装必要的依赖 #

运行代码前需要安装这些库：

pip install opencv-python numpy pytesseract

还要安装Tesseract OCR引擎：

• Ubuntu/Debian：sudo apt-get install tesseract-ocr
• macOS：brew install tesseract
• Windows：从Tesseract官方仓库下载安装包，安装后记得配置环境变量或者在代码里指定路径

内容的提问来源于stack exchange，提问作者Shakya RDN