第 22 / 30 课。 前置：上一课。本篇的运行范围以实验说明和验证记录为准，构造样例不代表真实任务精度或板端性能。
文字框为什么不总是水平矩形
路牌、包装和倾斜文档上的文字可能旋转或透视变形。文本检测器输出可能是四边形、多边形或概率图。概率图还需要二值化、连通区域、轮廓过滤和扩张等处理，具体规则取决于模型。
本课输入已经确定的四个角点，练习检测之后的裁剪矫正，不实现 DB 检测网络。四点按左上、右上、右下、左下顺序提供；上游应同时保存阅读方向。简单按坐标排序对极端旋转或退化形状可能失效。
透视变换比仿射更一般
用四对对应点求 3×3 单应矩阵，把原图四边形映射到规则矩形。变换可描述平面在透视下的形变，但弯曲纸面不一定能用一个矩阵完全矫正。
输出宽度可按上下边较长者估计，高度按左右边较长者估计。最小尺寸、长宽比和退化面积需要检查，避免生成零大小图或极大缓冲。
几何与识别分开验证
脚本在构造图片中标出四点，检查矩阵将四点映射到目标角点，并执行实际 warpPerspective。角点误差很小不代表文字一定可读；插值、模糊和裁剪缺边仍可能使识别失败。
修改任务
交换右下与左下的顺序，观察四边形自交；将所有点放在同一直线，确认程序拒绝退化输入。再给裁剪边缘增加适量空白，比较字符是否完整，但不要把统一扩张比例当作所有检测器的默认值。
多文本区域的阅读排序应另行设计。单行从左到右排序适合本课示例，复杂表格、多栏页面或竖排文字需要版面分析，不能只按一个 x 坐标处理。
配套实验与运行记录
实验：OCR 检测：从文字区域到矫正图片
查看完整代码：main.py
"""通过有序四边形和透视变换理解文字裁剪，保留阅读方向与边界信息。"""
import cv2
import numpy as np
def rectify(image, points):
p = np.asarray(points, np.float32)
if (
p.shape != (4, 2)
or not np.isfinite(p).all()
or not cv2.isContourConvex(p)
or abs(cv2.contourArea(p)) < 1
):
raise ValueError("ordered nondegenerate convex quadrilateral required")
width = max(2, round(max(np.linalg.norm(p[1] - p[0]), np.linalg.norm(p[2] - p[3]))))
height = max(
2, round(max(np.linalg.norm(p[3] - p[0]), np.linalg.norm(p[2] - p[1])))
)
if max(width, height) > 4096:
raise ValueError("crop too large")
dst = np.array(
[[0, 0], [width - 1, 0], [width - 1, height - 1], [0, height - 1]], np.float32
)
matrix = cv2.getPerspectiveTransform(p, dst)
projected = cv2.perspectiveTransform(p[None], matrix)[0]
np.testing.assert_allclose(projected, dst, atol=1e-3)
return cv2.warpPerspective(image, matrix, (width, height))
def main():
image = np.full((120, 200, 3), 255, np.uint8)
p = np.array([[25, 25], [170, 15], [180, 80], [20, 95]], np.float32)
cv2.polylines(image, [p.astype(np.int32)], True, (0, 0, 0), 2)
crop = rectify(image, p)
print("rectified shape", crop.shape)
try:
rectify(image, [[0, 0], [1, 1], [2, 2], [3, 3]])
except ValueError:
print("degenerate quadrilateral rejected")
else:
raise AssertionError("degenerate accepted")
if __name__ == "__main__":
main()
在项目根目录执行；下载包解压后，在解压目录执行 python3 main.py。
cd 'content/posts/AI-深度学习/嵌入式视觉模型进阶/22-OCR 检测/code' && python3 main.py在本篇代码目录执行 python3 main.py。依赖安装、可选入口见包内 README.md；实际运行结果见 verification.md。下载包包含本课使用的辅助模块与样例。
参考与进一步阅读
原始论文或官方文档用于核对结构、接口和适用范围。本篇代码是围绕教学目标编写的最小实验；除明确注明的完整入口外，不视为对应论文模型的完整复现。