简介：这份资源是面向计算机视觉初学者与毕业设计学生的印章识别实战项目，基于Python与OpenCV实现，可用于课程设计、竞赛作品或技能练手。项目源码经本地编译验证可运行，评审分达95分以上，难度适中，内容经助教老师审定，适合需要完整案例参考的学习者。压缩包共93个文件，约24.74MB，涵盖py源码、png与webp图像样本、xml配置、json数据、java与gradle构建文件、properties配置及md说明文档等，兼顾算法实现、界面构建与工程配置。目录中可见SealDetect主模块、backend后端逻辑、data数据目录与requirement依赖清单，结构清晰，便于按模块阅读与二次开发。已有368人学习下载，读者可从中获取印章检测的完整实现思路、图像预处理与识别流程、依赖环境搭建方法及排错参考，快速上手并迁移到自己的项目中。
1. 印章识别这件事，难的不是识别而是找章
很多做业务系统的朋友第一次接触印章识别，都是被一个很朴素的需求推着走的：合同、票据、审批单扫描件进来，系统得自动判断上面有没有盖章、盖的是不是公章、有没有重复盖章。听起来像是 OCR 的活儿，真上手才发现，印章识别和普通文字识别完全是两条路。文字识别关心的是笔画清晰、方向规整；印章识别关心的是红色圆环、五角星、弧形文字这些结构特征，而且印章经常盖得歪、盖得糊、盖在文字上、盖了一半。
基于 Python + OpenCV 的印章识别程序，核心思路不是训练一个端到端大模型，而是用传统图像处理把印章从文档里「抠」出来，再做结构判断。这条路的好处是：不需要标注数据、不需要 GPU、单张图几十毫秒就能出结果，特别适合嵌入到已有的文档管理系统里做前置过滤。坏处也很明显：对光照、扫描质量、印章颜色偏移比较敏感，参数调不好就翻车。
这篇笔记面向两类人：一类是手里已经拿到一份印章识别源码和配套文档，想搞清楚它到底怎么跑、参数怎么改、为什么自己跑出来效果和预期不一样；另一类是打算自己从零写一套印章检测逻辑，想知道 OpenCV 这条路能走多远、边界在哪。下面按「先搞懂印章在图像里长什么样 → 怎么把它分离出来 → 怎么判断是不是有效印章 → 怎么避开那些让人抓狂的坑」的顺序展开，中间会给可直接抄的代码和参数表。
2. 印章在 OpenCV 眼里是什么：颜色空间与形态学基础
2.1 为什么先转 HSV 而不是直接在 RGB 上做阈值
印章最直观的特征是红色。很多人第一反应是在 RGB 空间里写if r > 150 and g < 100 and b < 100，这在理想扫描件上能跑，但一遇到偏色、阴影、彩色底纹就崩。原因是 RGB 三个通道高度相关，亮度一变，三个值一起变，固定阈值根本兜不住。
HSV 把色相（H）、饱和度（S）、明度（V）拆开，红色集中在 H 的 0~10 和 170~180 两个区间（OpenCV 里 H 范围是 0~179），S 和 V 用来过滤掉灰白背景和暗色文字。这样即使扫描件整体偏黄或偏蓝，只要印章还是红的，H 通道就能稳定命中。
import cv2 import numpy as np def extract_red_mask(bgr_img): # 转 HSV，注意 OpenCV 读进来默认是 BGR hsv = cv2.cvtColor(bgr_img, cv2.COLOR_BGR2HSV) # 红色在 H 轴上跨 0，所以要分两段取 lower_red1 = np.array([0, 43, 46]) upper_red1 = np.array([10, 255, 255]) lower_red2 = np.array([170, 43, 46]) upper_red2 = np.array([180, 255, 255]) mask1 = cv2.inRange(hsv, lower_red1, upper_red1) mask2 = cv2.inRange(hsv, lower_red2, upper_red2) mask = cv2.bitwise_or(mask1, mask2) return mask这段代码里三个参数最值得动：S 的下限 43 决定多淡的红色还算红色，调高会漏掉浅色印章，调低会把粉色底纹吃进来；V 的下限 46 用来压掉暗红发黑的区域，扫描件偏暗时可以降到 30 左右；H 的上限 10 和下限 170 决定红色区间的宽窄，印章偏橙就往上限加，偏紫就往下限减。我一般会先把 mask 存成图片看一眼，确认印章区域是白色连通块、背景是黑色，再往下走。
2.2 形态学操作：把断掉的圆环接起来
阈值出来的 mask 往往不干净：印章圆环可能因为盖得浅而断成几段，文字笔画可能残留一些红点。这时候用形态学开运算去噪、闭运算补断。
def clean_mask(mask): # 3x3 椭圆核，比矩形核更贴合印章的圆弧边缘 kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (3, 3)) # 开运算：先腐蚀后膨胀，去掉孤立小红点 opened = cv2.morphologyEx(mask, cv2.MORPH_OPEN, kernel, iterations=1) # 闭运算：先膨胀后腐蚀，把断开的圆环接上 closed = cv2.morphologyEx(opened, cv2.MORPH_CLOSE, kernel, iterations=2) return closediterations 这个参数是血泪经验：闭运算迭代次数太少，圆环还是断的，轮廓检测会得到一堆碎块；迭代太多，印章会和旁边的红色文字糊成一团，轮廓变成一个巨大的不规则形状。一般 2 次是个平衡点，如果原图分辨率超过 2000 像素，核可以放大到 5x5，迭代次数保持 2。
2.3 轮廓筛选：怎么从一堆红色块里认出印章
清理完的 mask 上可能有多个连通区域：印章、红色标题、红色表格线、红色手写批注。印章的几何特征是接近圆形、面积适中、有内外环结构。用cv2.findContours拿到所有轮廓后，按下面几个条件筛。
| 筛选条件 | 典型取值 | 作用 |
|---|---|---|
| 轮廓面积 | 原图面积的 0.5%~15% | 太小是噪点，太大是整块底纹 |
| 外接矩形宽高比 | 0.7~1.4 | 印章接近正方形外接框 |
| 轮廓周长平方/面积 | 接近 4π（圆形度） | 排除长条形红色文字 |
| 最小外接圆填充率 | 轮廓面积/外接圆面积 > 0.5 | 确认是实心圆盘而非细线 |
def find_seal_contours(mask, img_area): contours, _ = cv2.findContours(mask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) candidates = [] for cnt in contours: area = cv2.contourArea(cnt) if area < img_area * 0.005 or area > img_area * 0.15: continue x, y, w, h = cv2.boundingRect(cnt) aspect = w / float(h) if aspect < 0.7 or aspect > 1.4: continue perimeter = cv2.arcLength(cnt, True) if perimeter == 0: continue circularity = 4 * np.pi * area / (perimeter * perimeter) if circularity < 0.5: continue (cx, cy), radius = cv2.minEnclosingCircle(cnt) fill_ratio = area / (np.pi * radius * radius + 1e-6) if fill_ratio < 0.5: continue candidates.append((x, y, w, h, area, circularity)) return candidates这段逻辑里 circularity 和 fill_ratio 是两个容易混淆的指标。circularity 衡量轮廓边缘有多光滑，圆环因为中间是空的，周长偏大，circularity 会偏低，所以阈值不能设太高，0.5 左右比较稳。fill_ratio 衡量轮廓占外接圆的比例，实心圆盘接近 1，圆环大概 0.6~0.8，如果印章中间有五角星，这个值会再低一点。两个指标配合用，比单看一个靠谱得多。
3. 从候选区域到「是不是有效印章」：结构验证与文字提取
3.1 圆环检测：HoughCircles 的参数怎么定
轮廓筛选能拿到候选框，但候选框里不一定真有圆环。有些红色 logo、红色印章样式的装饰图案也会通过前面的筛选。这时候用霍夫圆检测做二次确认。
def verify_circle(gray_roi): # 先做高斯模糊，抑制扫描噪点对边缘的干扰 blurred = cv2.GaussianBlur(gray_roi, (5, 5), 1.5) circles = cv2.HoughCircles( blurred, cv2.HOUGH_GRADIENT, dp=1.2, # 累加器分辨率，1.0 最精细但慢，1.2 是速度精度平衡点 minDist=gray_roi.shape[0] * 0.5, # 圆心最小距离，防止一个印章检出多个圆 param1=100, # Canny 高阈值，边缘多就调高 param2=30, # 累加器阈值，调低检出更多圆但也更多误检 minRadius=int(gray_roi.shape[0] * 0.3), maxRadius=int(gray_roi.shape[0] * 0.55) ) return circles is not None and len(circles[0]) > 0param2 是最玄学的参数。同一个印章，param2 设 50 可能一个圆都检不出，设 20 能检出七八个同心圆。我的习惯是先设 30，如果检不出就每次降 5，降到 20 还检不出就说明这个印章圆环太模糊，得回到 mask 阶段看是不是闭运算没做好。minRadius 和 maxRadius 按 ROI 尺寸的比例给，比写死像素值稳，因为不同扫描分辨率下印章大小差异很大。
3.2 弧形文字展开：把圆环上的字拉直
公章外圈通常有一圈弧形排列的单位名称，要判断印章内容就得把这圈字展开成水平文字。思路是极坐标变换：以圆心为原点，把圆环区域按角度和半径映射到矩形。
def unwrap_ring(gray_roi, center, inner_r, outer_r): # 把圆环区域展开成矩形，宽度对应 360 度，高度对应半径范围 flags = cv2.INTER_CUBIC unwrapped = cv2.warpPolar( gray_roi, (360, outer_r - inner_r), # 输出尺寸：宽=角度数，高=半径跨度 center, outer_r, flags + cv2.WARP_POLAR_LINEAR ) # warpPolar 输出是极坐标图，需要旋转让文字正立 unwrapped = cv2.rotate(unwrapped, cv2.ROTATE_90_COUNTERCLOCKWISE) return unwrappedwarpPolar 的输出宽 360 对应每一度一列，高是半径跨度。展开后弧形文字变成波浪形排列的文字带，再送 OCR 识别率会高很多。注意 center 要用前面 minEnclosingCircle 得到的圆心，不要用 boundingRect 的中心，因为印章盖歪时外接矩形中心会偏。inner_r 一般取外半径的 0.7 倍左右，正好卡在文字带的内外边界上。
3.3 用 OCR 做最终确认：ddddocr 的接入方式
OpenCV 负责找到印章、展开文字，识别具体文字内容通常交给 OCR。轻量场景下 ddddocr 是个常见选择，它不需要额外安装深度学习框架，pip 装完就能用。
import ddddocr def ocr_seal_text(unwrapped_img): ocr = ddddocr.DdddOcr(show_ad=False) # ddddocr 接收 bytes，先编码成 png success, buf = cv2.imencode('.png', unwrapped_img) if not success: return '' result = ocr.classification(buf.tobytes()) return result这里有个常见报错：ModuleNotFoundError: No module named 'ddddocr'。原因通常是 pip 装到了另一个 Python 环境，或者 Python 版本和 ddddocr 的 wheel 不匹配。解决方式是先用python -c "import sys; print(sys.executable)"确认当前解释器路径，再用python -m pip install ddddocr装到同一个环境。如果还报错，检查是不是 Python 3.11 以上版本，ddddocr 对高版本支持有时滞后，降到 3.8~3.10 最稳。
OCR 结果不要直接当最终结论。印章文字识别受展开质量影响很大，我一般会把 OCR 结果和预设的单位名称做模糊匹配（比如编辑距离小于 3 就算命中），而不是要求完全一致。
4. 避坑与排查：印章识别跑不通时先看这几条
4.1 现象：mask 全黑，一个红色区域都没有
原因通常有三个：图片读取时通道顺序搞错、HSV 阈值区间不对、图片本身不是红色印章。先确认cv2.imread读进来的图用cv2.imshow看是正常的，如果颜色发蓝说明读图时用了错误的 flag。然后单独把 HSV 三个通道拆出来看，H 通道里印章区域应该是一片亮色。如果 H 通道正常但 mask 全黑，就是 S 或 V 的下限设太高，把 43 和 46 分别降到 30 和 30 再试。
4.2 现象：报错cv2.error: OpenCV(4.4.0) ...指向 cvtColor 或 inRange
这类报错九成是输入图像为空。cv2.imread遇到路径含中文、路径不存在、文件损坏时不会抛异常，而是返回 None，接着传给 cvtColor 就炸。解决方式是在 imread 后立刻加判断：
img = cv2.imread(path) if img is None: raise FileNotFoundError(f"读不到图片，检查路径和文件: {path}")路径含中文时，用cv2.imdecode(np.fromfile(path, dtype=np.uint8), cv2.IMREAD_COLOR)代替 imread，这是 Windows 下最常见的翻车点。
4.3 现象：印章被检出多次，同一个章出现好几个候选框
原因是形态学闭运算迭代过多，或者 HoughCircles 的 minDist 设太小。先看 mask，如果印章区域已经糊成一大片不规则形状，把闭运算 iterations 从 2 降到 1。如果 mask 正常但圆检测出多个同心圆，把 minDist 从 ROI 尺寸的 0.3 倍提高到 0.5 倍。另外轮廓筛选阶段可以用非极大值抑制：按面积从大到小排序，如果两个候选框的 IoU 超过 0.5，只保留面积大的那个。
4.4 现象：OCR 识别出来全是乱码或空字符串
先看展开图。把 unwrapped 存成 png 打开，如果文字是倒的，说明旋转方向反了，把 ROTATE_90_COUNTERCLOCKWISE 换成 CLOCKWISE。如果文字是波浪形没拉直，说明 inner_r 和 outer_r 没卡准文字带，把 inner_r 调到外半径的 0.65 倍、outer_r 调到 0.95 倍再试。如果展开图正常但 OCR 还是乱，检查 ddddocr 版本，老版本对旋转文字支持差，升级到最新版通常能解决。
4.5 现象：换一张扫描件效果就崩，参数完全不通用
这是传统图像处理的固有边界。HSV 阈值、形态学核大小、HoughCircles 参数都和图像分辨率、扫描亮度强相关。我的做法是把这些参数抽到一个配置文件里，按图像来源分组：A 类扫描仪一套参数，B 类手机拍照一套参数。运行时先根据图像的长边像素数和平均亮度自动选组，选不中就用默认组。不要指望一套参数打天下，那是给自己挖坑。
5. 把印章识别嵌进业务流程：批量处理与结果落库
5.1 批量跑目录：并发与失败重试
单张调通之后，实际业务往往是几百上千张扫描件排队处理。用concurrent.futures做进程池，注意 OpenCV 和 ddddocr 在多线程下有时会出问题，用进程池比线程池稳。
from concurrent.futures import ProcessPoolExecutor, as_completed import os, json def process_one(img_path): try: img = cv2.imdecode(np.fromfile(img_path, dtype=np.uint8), cv2.IMREAD_COLOR) if img is None: return {"path": img_path, "status": "read_fail"} mask = extract_red_mask(img) mask = clean_mask(mask) candidates = find_seal_contours(mask, img.shape[0] * img.shape[1]) if not candidates: return {"path": img_path, "status": "no_seal"} # 取面积最大的候选做后续验证 best = max(candidates, key=lambda c: c[4]) return {"path": img_path, "status": "found", "bbox": best[:4]} except Exception as e: return {"path": img_path, "status": "error", "msg": str(e)} def batch_process(img_dir, out_json, workers=4): files = [os.path.join(img_dir, f) for f in os.listdir(img_dir) if f.lower().endswith(('.png', '.jpg', '.jpeg', '.bmp'))] results = [] with ProcessPoolExecutor(max_workers=workers) as pool: futures = {pool.submit(process_one, f): f for f in files} for fut in as_completed(futures): results.append(fut.result()) with open(out_json, 'w', encoding='utf-8') as fp: json.dump(results, fp, ensure_ascii=False, indent=2) return resultsworkers 不要设太大，OpenCV 内部已经用了多线程，进程数超过 CPU 核数反而互相抢资源。一般设成 CPU 核数的一半。每个任务包在 try 里，单张失败不影响整批，失败原因写进结果 json，方便事后排查。
5.2 结果落库：字段设计与置信度
批量结果建议落成结构化记录，字段至少包含：文件路径、处理状态、印章数量、每个印章的 bbox、OCR 文本、置信度。置信度可以用三个指标加权：轮廓 circularity、HoughCircles 检出的圆数量、OCR 文本和预设名称的匹配度。加权公式不用太复杂，我一般用0.3*circularity + 0.3*min(circle_count,3)/3 + 0.4*match_score，算出来低于 0.5 的标记为「待人工复核」，高于 0.8 的直接通过。这样业务侧只需要处理中间那一段，人工成本能压下来一大截。
| 字段 | 类型 | 说明 |
|---|---|---|
| file_path | string | 原图路径 |
| status | string | found / no_seal / read_fail / error |
| seal_count | int | 检出印章数 |
| bbox | list | [x, y, w, h] |
| ocr_text | string | 展开后识别文本 |
| confidence | float | 0~1 综合置信度 |
| need_review | bool | 是否需人工复核 |
5.3 和业务系统对接的两种方式
一种是同步接口：业务系统上传图片，印章识别服务在 200ms 内返回结果。适合单张实时场景，用 Flask 或 FastAPI 包一层就行，注意把模型和 OCR 实例做成全局单例，不要每次请求都重新初始化。另一种是异步队列：图片先落对象存储，发消息到队列，后台 worker 慢慢跑，结果写回数据库。适合批量归档场景，吞吐量高，但要处理任务重试和幂等。
同步接口的坑在于超时。OpenCV 处理单张图通常几十毫秒，但遇到超大图（比如 8000x6000）会飙到几秒。接口层要设图片尺寸上限，超过就先缩放，长边压到 2000 像素再处理，精度损失很小，速度提升明显。
6. 让印章识别更稳的几个进阶技巧
6.1 自适应阈值替代固定 HSV 阈值
固定 HSV 阈值在光照均匀时够用，但遇到一半亮一半暗的扫描件就崩。改进方式是在 HSV 的 S 通道上做自适应阈值，让每个局部区域自己算阈值。
def adaptive_red_mask(bgr_img): hsv = cv2.cvtColor(bgr_img, cv2.COLOR_BGR2HSV) h, s, v = cv2.split(hsv) # 在 S 通道上做自适应阈值，blockSize 取奇数，C 是偏移量 s_mask = cv2.adaptiveThreshold( s, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, blockSize=51, # 局部窗口大小，太小会保留噪点，太大会丢失细节 C=-10 # 负值表示阈值取局部均值加偏移，让更多红色通过 ) # 再用 H 通道限制红色范围，避免把其他高饱和颜色吃进来 h_mask = cv2.inRange(h, 0, 10) | cv2.inRange(h, 170, 180) return cv2.bitwise_and(s_mask, h_mask)blockSize 建议取图像长边的 1/20 左右再调成奇数，C 取负值是因为印章红色区域的 S 值通常高于局部均值，负偏移能让阈值更宽松。这个方法对光照不均的扫描件提升很明显，代价是参数更多、调起来更费时间。
6.2 用模板匹配做印章类型分类
如果业务里印章类型固定（比如只有公章、财务章、合同章三种），可以给每种章做一个模板，用cv2.matchTemplate做分类。模板不需要很精细，取印章圆环区域归一化到 200x200 就行。
def classify_seal(gray_roi, templates): # templates 是 dict: {类型名: 模板图} roi = cv2.resize(gray_roi, (200, 200)) best_type, best_score = None, -1 for name, tpl in templates.items(): res = cv2.matchTemplate(roi, tpl, cv2.TM_CCOEFF_NORMED) score = res.max() if score > best_score: best_score = score best_type = name return best_type, best_scoreTM_CCOEFF_NORMED 对亮度变化不敏感，适合扫描件。score 低于 0.4 就判为未知类型，不要硬分。模板匹配的边界是：印章旋转角度超过 15 度、或者盖得不完整时，匹配分数会掉得厉害。这时候可以先把 ROI 做一次旋转对齐（用 minAreaRect 拿角度），再匹配。
6.3 一个我踩过的坑：别在 mask 上直接做 OCR
早期我图省事，把红色 mask 直接送 OCR，结果识别率惨不忍睹。原因是 mask 是二值图，文字笔画被阈值切得坑坑洼洼，OCR 模型没见过这种输入。正确做法是在原图的灰度图上，用 mask 做掩膜提取印章区域，保留原始灰度信息再送 OCR。
def extract_seal_gray(gray_img, mask, bbox): x, y, w, h = bbox roi_gray = gray_img[y:y+h, x:x+w] roi_mask = mask[y:y+h, x:x+w] # 用 mask 做掩膜，背景置白，保留印章灰度 result = np.full_like(roi_gray, 255) result[roi_mask > 0] = roi_gray[roi_mask > 0] return result背景置白而不是置黑，是因为 OCR 模型训练数据大多是白底黑字，白底更符合分布。这个改动让我的识别率从 60% 出头提到了 85% 以上，算是整个流程里性价比最高的一处调整。
6.4 验证方法：构造一批「坏样本」自测
参数调完之后，别只用几张漂亮扫描件验收。我一般会构造一批坏样本：旋转 30 度的、盖了一半的、盖在黑色文字上的、红色底纹干扰的、分辨率只有 300x200 的。每类至少 10 张，跑一遍看通过率和误检率。通过率低于 70% 的类别，回到对应环节查参数。这套自测流程比任何文档都管用，因为文档不会告诉你你的数据长什么样。
最后说个习惯：印章识别这套东西，参数永远是和数据绑定的。我每接一批新来源的扫描件，第一件事不是跑识别，而是先抽 20 张看 mask 效果，确认红色分离干净了再往下走。这个前置检查花不了十分钟，但能省掉后面几个小时的瞎调参。希望帮到你。
本文还有配套的精品资源，点击获取
