简介：这是一套基于深度学习的端到端文本检测与识别实践方案，面向计算机视觉初学者及OCR应用开发者，解决自然场景下图文混合图像中的文字定位与内容提取问题。资源采用EAST模型实现高效文本区域检测，结合Tesseract引擎完成高精度字符识别，全部代码以Python实现，具备良好可读性与工程复用性。压缩包共含5个文件（2张测试样图jpg、1张效果示例png、1个冻结的EAST检测模型pb文件、1个主逻辑脚本py），总大小86.01MB，结构精简，便于快速部署与调试。已有597人学习下载，读者可直接运行text_recognition.py完成从图像输入、文本框检测到字符识别的全流程验证，同时获得典型场景下的模型调用范式、图像预处理技巧及常见识别失败的归因分析思路，是入门OCR实战的轻量级参考模板。
1. dirsfirst.zip 是什么：一个轻量级文本检测+识别流水线，不是玩具，是能直接跑通 OCR 全流程的最小可执行单元
你手头有一堆扫描件、截图或手机拍的文档图，想快速抽文字，但又不想装一整套 PaddleOCR 或 EasyOCR——太大、太重、依赖太多。dirsfirst.zip就是这种场景下的“急救包”：它不讲模型训练，不搞服务部署，只做一件事——给一张图，3 秒内返回框坐标 + 识别结果。核心链路极简：EAST 检测文本行区域 → Tesseract 逐行 OCR 识别 → 输出带坐标的 JSON 和可视化图。它没用 PyTorch/TensorFlow 训练模块，所有模型权重（frozen_east_text_detection.pb）和推理脚本（text_recognition.py）全打包进 zip，解压即用。适合嵌入到自动化文档处理脚本、离线质检工具、甚至树莓派边缘 OCR 节点里。注意：它不是工业级高精度方案，但对清晰度中等以上的中文/英文印刷体文档，召回率稳在 92%+，误识率可控——我拿它扫过 2000+ 张发票截图，漏检基本集中在印章遮挡区域，而这是 EAST 本身的设计边界，不是代码 bug。
2. 从解压到出结果：五步走通完整 OCR 流水线
2.1 解压与环境准备：Python 3.7–3.9 是黄金区间，别碰 3.10+
unzip dirsfirst.zip cd dirsfirst提示：这个包对 Python 版本敏感。实测 Python 3.10+ 会因
tensorflow==1.15.0的 protobuf 兼容问题报ImportError: cannot import name 'descriptor'；Python 3.6 则因tesseract绑定库版本冲突卡在pytesseract初始化。我固定用conda create -n ocr-env python=3.8创建干净环境，再pip install -r requirements.txt（包内自带requirements.txt，内容为tensorflow==1.15.0,opencv-python==4.5.5.64,pytesseract==0.3.10,numpy==1.21.6）。特别注意：tesseract-ocr本体必须系统级安装，Windows 用户去 UB Mannheim 官网 下.exe安装包，macOS 用brew install tesseract，Linux 用apt-get install tesseract-ocr。路径要加进系统PATH，否则pytesseract找不到二进制。
2.2 理解输入结构：dirsfirst目录下藏着三个关键层
| 目录/文件 | 作用 | 必须存在？ | 补充说明 |
|---|---|---|---|
images/ | 存放待检测图片（.png,.jpg） | ✅ | 支持子目录递归，但脚本默认只读一级 |
frozen_east_text_detection.pb | EAST 检测模型的冻结图（Frozen Graph） | ✅ | TensorFlow 1.x 格式，不可用 TF2.x 直接加载 |
text_recognition.py | 主推理脚本，含预处理、检测、识别、后处理全流程 | ✅ | 入口函数main()默认处理images/下所有图 |
注意：
11.png,2.jpg,4.jpg是作者放的测试样例，不是占位符——它们被硬编码在text_recognition.py的test_images列表里（第 32 行），如果你删了这些文件，脚本会报FileNotFoundError。正确做法是：把你的图放进images/，然后注释掉test_images那几行，改用glob.glob("images/*.jpg") + glob.glob("images/*.png")动态读取。
2.3 运行主脚本：一条命令触发端到端 OCR，输出在哪？
python text_recognition.py成功运行后，你会看到：
- 控制台打印每张图的检测耗时（EAST 推理约 1.2s/图，Tesseract 识别约 0.8s/行）
output/目录生成：11_result.jpg：原图叠加绿色文本框 + 红色识别文字11_result.json：结构化结果，含"boxes"（4点坐标数组）、"texts"（识别字符串）、"scores"（EAST 置信度）11_result.txt：纯文本，按行拼接识别结果
关键参数在text_recognition.py第 45 行：min_confidence = 0.5—— 这是 EAST 检测框的置信度阈值。低于此值的框会被丢弃。若你的图文字小、模糊，可降到0.3；若背景干扰多（如表格线、水印），升到0.65减少误检。
2.4 修改识别引擎：为什么默认用 Tesseract？换模型怎么切？
当前脚本用pytesseract.image_to_string()调用系统 Tesseract，好处是零训练、支持 100+ 语言、中文识别准（需装chi_sim语言包）。但如果你需要更高精度或支持手写体，可无缝切换为easyocr.Reader：
# 替换 text_recognition.py 中第 187 行开始的 pytesseract 调用段 # 原代码： # text = pytesseract.image_to_string(roi, lang='chi_sim', config='--psm 7') # 改为（需先 pip install easyocr）： import easyocr reader = easyocr.Reader(['ch_sim','en'], gpu=False) # cpu 模式足够快 result = reader.readtext(roi) text = " ".join([item[1] for item in result]) if result else ""逻辑说明：
psm 7（单行模式）是 Tesseract 对 EAST 切出来的 ROI 最稳妥的配置；EasyOCR 的readtext自动适配单行/多行，但 CPU 模式下每行识别慢 3 倍（实测 2.4s/行），所以仅建议在 Tesseract 识别失败率 >15% 时切换。EasyOCR 模型权重约 90MB，会增大部署体积。
3. EAST 检测原理与参数调优：为什么框不准？坐标怎么映射回原图？
3.1 EAST 的输出本质：四维张量，不是“画框”而是“回归几何参数”
EAST 模型输出两个张量：
score_maps：H×W 二值图，每个像素代表该位置存在文本中心的概率geo_maps：H×W×5 张量，含x1,y1,x2,y2,angle（左上、右下坐标及旋转角）
text_recognition.py第 102 行cv2.dnn.blobFromImage()将图缩放到320×320（固定尺寸），导致原始坐标需反向映射。关键公式在第 135 行：
# 原始图尺寸 (orig_h, orig_w)，缩放后尺寸 (320, 320) ratio_h, ratio_w = orig_h / 320.0, orig_w / 320.0 # geo_map 中的坐标是相对于 320×320 的，需乘以 ratio 还原 x1 = max(0, int(ratio_w * x1)) y1 = max(0, int(ratio_h * y1)) ...参数说明：
ratio_h/w是缩放比，max(0, int(...))防止坐标越界。如果你发现框偏移，大概率是orig_h/w获取不准——脚本用cv2.imread()读图后img.shape[:2]获取，但某些 PNG 有 alpha 通道，shape返回(h,w,4)，导致orig_h取错。修复：orig_h, orig_w = img.shape[:2] if len(img.shape) == 2 else img.shape[:2]。
3.2 检测框后处理：NMS 是必须的，但 IOU 阈值不能设太高
EAST 原生输出密集候选框，需非极大值抑制（NMS）去重。脚本用 OpenCV 的cv2.dnn.NMSBoxes（第 148 行）：
indices = cv2.dnn.NMSBoxes(boxes, confidences, 0.5, 0.3) # min_confidence=0.5, nms_threshold=0.3min_confidence=0.5：过滤低置信度框（同前文min_confidence）nms_threshold=0.3：IOU 阈值。设太高（如 0.7）会导致相邻短文本行被合并；设太低（如 0.1）则残留大量重叠框。实测中文文档0.25–0.35最平衡。
3.3 坐标系陷阱：OpenCV 的 (x,y) vs. NumPy 的 (row,col)
EAST 输出的geo_maps是 H×W×5，索引为[y,x]（行优先）；但 OpenCV 的cv2.rectangle()参数是(x1,y1,x2,y2)（列优先）。脚本第 162 行：
cv2.rectangle(orig_img, (x1, y1), (x2, y2), (0, 255, 0), 2) # 正确：x1,y1 是左上角列行坐标血泪经验：曾因把
y1,x1传给rectangle，框全画歪——OpenCV 会静默接受，但坐标系错位。验证方法：用cv2.circle(orig_img, (x1,y1), 5, (0,0,255), -1)在左上角打点，看是否真落在文本起始处。
4. Tesseract 识别调优：中文识别不准？不是模型问题，是预处理和 PSM 搞错了
4.1 预处理三板斧：为什么直接送 ROI 给 Tesseract 会崩？
EAST 切出的 ROI（Region of Interest）常含噪声：边缘锯齿、背景灰度不均、文字粘连。text_recognition.py第 175 行做了基础预处理：
roi = cv2.cvtColor(roi, cv2.COLOR_BGR2GRAY) # 转灰度 roi = cv2.threshold(roi, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)[1] # 大津法二值化 roi = cv2.resize(roi, None, fx=2, fy=2, interpolation=cv2.INTER_CUBIC) # 放大2倍抗锯齿cv2.COLOR_BGR2GRAY：必须转灰度，Tesseract 彩图输入会降级为灰度，但手动转更可控THRESH_OTSU：自动找最佳阈值，比固定阈值127更适应不同光照resize(..., fx=2)：最关键一步。Tesseract 对 12–16px 高的文字识别最优，EAST 输出 ROI 通常 8–10px 高，放大后字符更清晰。实测不放大时中文误识率翻倍。
4.2 PSM（Page Segmentation Mode）选型：印刷体文档只用 PSM 7 和 8
Tesseract 的--psm参数决定文本布局分析策略。脚本默认psm 7（单行文本），但针对不同场景应切换：
| PSM 值 | 场景 | 是否推荐 | 原因 |
|---|---|---|---|
| 7 | 单行文本（EAST 切出的 ROI） | ✅ 强烈推荐 | 不做版面分析，直接 OCR，速度最快 |
| 8 | 单字（字符级识别） | ⚠️ 仅当 PSM 7 识别失败时试 | 对模糊字更鲁棒，但易把连笔字拆成单字 |
| 6 | 均匀块（整页无分栏） | ❌ 不要用 | EAST 已切 ROI，再做整页分析是冗余计算 |
修改方式：config='--psm 7 --oem 3'（oem 3是 LSTM 引擎，比旧版oem 0准 20%）
4.3 中文语言包安装与验证：chi_sim不是万能，chi_tra才是繁体救星
Tesseract 默认不带中文包。Windows 安装时勾选Chinese (Simplified)；Linux/macOS 执行：
# Ubuntu/Debian sudo apt-get install tesseract-ocr-chi-sim # macOS brew install tesseract-lang # 验证是否生效 tesseract --list-langs # 应输出 chi_sim避坑：
chi_sim对简体中文准，但遇到港台繁体（如「為」「臺」）会乱码。此时需装chi_tra并改lang='chi_tra'。更稳妥的是lang='chi_sim+chi_tra'，让 Tesseract 自动选择——但会慢 15%，且需 Tesseract ≥4.1.0。
5. 避坑指南：五个真实翻车现场与后悔药
5.1 现象：运行text_recognition.py报错ModuleNotFoundError: No module named 'tensorflow'
原因：frozen_east_text_detection.pb是 TensorFlow 1.x 冻结图，但环境装了 TF2.x。TF2 默认禁用 v1 兼容层。
解决：
pip uninstall tensorflow pip install tensorflow==1.15.0 # 若仍报错，在脚本开头加： import tensorflow.compat.v1 as tf tf.disable_v2_behavior()5.2 现象：output/下只有.json文件，没有.jpg和.txt
原因：cv2.imwrite()路径错误。脚本第 195 行cv2.imwrite(os.path.join("output", f"{base_name}_result.jpg"), orig_img)中，"output"目录不存在。
解决：在main()函数开头加：
os.makedirs("output", exist_ok=True)5.3 现象：中文识别结果全是方框（□□□）或空字符串
原因：Tesseract 未找到中文字体或语言包，或lang参数拼写错误（如chi_sim写成ch_sim）。
解决：
- 运行
tesseract --list-langs确认chi_sim在列表中 - 检查
pytesseract.pytesseract.tesseract_cmd是否指向正确路径（Windows 默认C:\Program Files\Tesseract-OCR\tesseract.exe） - 在代码中显式指定：
pytesseract.pytesseract.tesseract_cmd = r'C:\Program Files\Tesseract-OCR\tesseract.exe'
5.4 现象：检测框严重偏移，全部挤在图片左上角
原因：cv2.dnn.blobFromImage()的swapRB=True参数与实际图像通道不符。blobFromImage默认将 BGR 转 RGB，但 EAST 模型是在 BGR 图像上训练的（OpenCV 默认读图是 BGR）。
解决：将第 102 行改为：
blob = cv2.dnn.blobFromImage(image, 1.0, (320, 320), (123.68, 116.78, 103.94), swapRB=False, crop=False)swapRB=False保持 BGR 顺序，匹配模型训练输入。
5.5 现象：同一张图多次运行，识别结果不一致（有时准有时不准）
原因：Tesseract 的--psm 7在极短文本（如单个数字）时存在随机性，且未设置--oem 3强制 LSTM 引擎。
解决：在pytesseract.image_to_string()的config中加入：
config='--psm 7 --oem 3 -c tessedit_char_whitelist=0123456789abcdefghijklmnopqrstuvwxyzABCDEFGHIJKLMNOPQRSTUVWXYZ'白名单限制字符集，大幅提升稳定性，尤其对票据数字识别。
6. 进阶技巧：批量处理 + 结果结构化 + 置信度过滤，让 OCR 真正可用
6.1 批量处理：用argparse改造脚本，支持命令行传参
原脚本硬编码路径，无法批量处理不同目录。我在text_recognition.py开头加了参数解析：
import argparse parser = argparse.ArgumentParser() parser.add_argument("--input_dir", type=str, default="images", help="Input image directory") parser.add_argument("--output_dir", type=str, default="output", help="Output directory") parser.add_argument("--min_conf", type=float, default=0.5, help="Min confidence for EAST detection") args = parser.parse_args() # 替换原代码中的 images/ 和 output/ 路径 image_paths = glob.glob(os.path.join(args.input_dir, "*.jpg")) + \ glob.glob(os.path.join(args.input_dir, "*.png")) os.makedirs(args.output_dir, exist_ok=True)运行方式变为：
python text_recognition.py --input_dir ./my_docs --output_dir ./results --min_conf 0.46.2 结构化输出：JSON 不够用？导出 CSV 方便 Excel 分析
11_result.json是嵌套结构，Excel 打不开。我在脚本末尾加了 CSV 导出：
import csv with open(os.path.join(args.output_dir, f"{base_name}_result.csv"), "w", newline="", encoding="utf-8") as f: writer = csv.writer(f) writer.writerow(["box_x1", "box_y1", "box_x2", "box_y2", "text", "confidence"]) for i, (box, text, score) in enumerate(zip(boxes, texts, scores)): writer.writerow([box[0], box[1], box[2], box[3], text, score])价值点：CSV 可直接拖进 Excel，用筛选功能查“置信度 < 0.8”的结果人工复核，效率提升 5 倍。
6.3 置信度过滤：识别结果可信吗？用 EAST 置信度 + Tesseract 置信度双保险
当前脚本只用 EAST 的score_maps做框过滤，但识别结果本身无置信度。Tesseract 4.1+ 支持image_to_data()返回每字符置信度：
# 替换原 pytesseract.image_to_string() 调用 data = pytesseract.image_to_data(roi, lang='chi_sim', config='--psm 7 --oem 3', output_type=pytesseract.Output.DICT) # data['conf'] 是每单词置信度列表，取平均值 if len(data['conf']) > 0: word_confs = [int(c) for c in data['conf'] if int(c) != -1] avg_conf = sum(word_confs) / len(word_confs) if word_confs else 0 else: avg_conf = 0最终 JSON 加入"recognition_confidence": avg_conf字段。我设定规则：avg_conf < 60的结果标为"status": "low_confidence"，下游系统自动打标待人工审核。
从那以后我每次部署 OCR 流程，都强制走一遍--min_conf 0.4+CSV 导出+置信度字段注入三步，哪怕只是临时脚本——因为漏掉一个低置信度结果，可能就是财务单据上的一个数字错误。希望帮到你。
本文还有配套的精品资源，点击获取
