3. 签收证明图像预处理：图像灰度化、二值化、去噪、倾斜校正、边缘检测技术

在OCR识别流程中，原始签收证明图像（如快递面单照片、手写签收单扫描件）通常包含光照不均、背景干扰、倾斜、噪声等问题。图像预处理的目标是将这些“脏数据”转化为适合OCR引擎分析的干净、规整的二值图像。本章将系统讲解灰度化、二值化、去噪、倾斜校正与边缘检测五大核心步骤。

3.1 图像灰度化

彩色图像包含R、G、B三个通道，数据量大且对文字识别贡献有限。灰度化将三通道压缩为单通道亮度信息，保留纹理与边缘，同时降低计算复杂度。

3.2 图像二值化

二值化将灰度图像转换为纯黑（0）与纯白（255）像素，是OCR文字分割的前提。签收证明常面临光照不均问题，需采用自适应阈值方法。

• 全局阈值（Otsu法）：自动计算最佳阈值，适合光照均匀的扫描件。
• 自适应阈值（局部阈值）：根据邻域像素计算局部阈值，有效处理阴影与反光。
• 大津法（Otsu）：基于类间方差最大化，是全局阈值中的最优选择。

3.3 图像去噪

签收证明图像中的噪声主要来自扫描颗粒、摄像头传感器、纸张纹理。去噪需在平滑噪声与保留文字边缘之间取得平衡。

3.4 倾斜校正

拍摄签收证明时，纸张或手机常存在旋转角度（通常为±15°以内）。倾斜校正通过检测文本行的旋转角度并反向旋转，使文字水平排列。

标准流程：

1. 对二值图像进行形态学膨胀，连接相邻文字形成文本块。
2. 使用霍夫变换或最小面积外接矩形检测文本块倾斜角度。
3. 根据角度进行仿射变换或旋转变换，填充背景为白色。

3.5 边缘检测

边缘检测用于提取文字轮廓、印章边界、表格线等结构信息，为后续文字分割与特征提取提供基础。签收证明场景常用Canny边缘检测器。

Canny算法步骤：

• 高斯平滑降噪
• 计算梯度幅值与方向（Sobel算子）
• 非极大值抑制细化边缘
• 双阈值检测与边缘连接

3.6 预处理代码示例（Python + OpenCV）

import cv2
import numpy as np

# 读取图像
img = cv2.imread('receipt.jpg')

# 1. 灰度化
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 2. 自适应二值化
binary = cv2.adaptiveThreshold(gray, 255, 
    cv2.ADAPTIVE_THRESH_GAUSSIAN_C, 
    cv2.THRESH_BINARY, 15, 2)

# 3. 中值滤波去噪
denoised = cv2.medianBlur(binary, 3)

# 4. 倾斜校正（霍夫变换检测角度）
edges = cv2.Canny(denoised, 50, 150)
lines = cv2.HoughLines(edges, 1, np.pi/180, 200)
if lines is not None:
    angles = [line[0][1] for line in lines]
    median_angle = np.median(angles)
    angle_deg = np.degrees(median_angle) - 90
    h, w = denoised.shape[:2]
    center = (w // 2, h // 2)
    M = cv2.getRotationMatrix2D(center, angle_deg, 1.0)
    corrected = cv2.warpAffine(denoised, M, (w, h), 
        borderValue=255)
else:
    corrected = denoised

# 5. 边缘检测（Canny）
final_edges = cv2.Canny(corrected, 50, 150)

cv2.imwrite('preprocessed.png', corrected)
print("预处理完成，输出图像尺寸:", corrected.shape)