使用Python开发一个图像标注与OCR识别工具_Python

图像标注和ocr（光学字符识别）工具的代码进行详细分析。该工具允许用户在图像上进行矩形标注，使用 ocr 对标注区域进行文本识别，并将结果保存为 excel 文件。同时，用户可以保存和加载标注，清除标注，以及裁剪图像等。

项目简介

这个图像标注和ocr工具的功能主要包括：

加载图像并显示在界面上。
允许用户在图像上绘制矩形框，以标注感兴趣的区域。
在标注区域内执行ocr识别，并显示识别的文本。
将ocr识别结果保存为excel文件。
保存和加载用户的标注数据（json格式）。
提供裁剪、清除标注、重置图像等功能。

1. 图像加载与显示

首先，程序会扫描指定文件夹中的图像文件（支持的格式包括 .png, .jpg, .jpeg, .bmp, .tiff），并显示在界面的图像面板中。

self.image_files = [f for f in os.listdir(folder_path) 
                    if f.lower().endswith(('.png', '.jpg', '.jpeg', '.bmp', '.tiff'))]

通过 wx.listbox 组件显示图像文件的列表，用户可以点击选择一个文件，然后加载并显示它：

file_path = os.path.join(self.folder_path, filename)
self.original_image = cv2.imdecode(np.fromfile(file_path, dtype=np.uint8), cv2.imread_color)
self.original_image = cv2.cvtcolor(self.original_image, cv2.color_bgr2rgb)

这段代码使用 opencv 读取图像，并转换颜色空间以适应 wxpython 显示。

2. 矩形标注

用户可以在图像上绘制矩形框，标记感兴趣的区域。程序通过鼠标事件（按下、移动、松开）来绘制和更新矩形框：

def on_mouse_down(self, event):
    """鼠标按下开始绘制矩形"""
    if self.displayed_image is not none:
        self.start_point = event.getposition()
        self.drawing = true

def on_mouse_move(self, event):
    """鼠标移动时更新矩形"""
    if self.drawing and self.displayed_image is not none:
        self.image_panel.refresh()

def on_mouse_up(self, event):
    """鼠标松开完成矩形绘制"""
    if self.drawing and self.displayed_image is not none:
        end_point = event.getposition()
        # 确保矩形方向正确
        x1 = min(self.start_point.x, end_point.x)
        y1 = min(self.start_point.y, end_point.y)
        x2 = max(self.start_point.x, end_point.x)
        y2 = max(self.start_point.y, end_point.y)
        orig_rect = self.convert_to_original_coords((x1, y1, x2, y2))
        self.rectangles.append(orig_rect)
        self.drawing = false
        self.image_panel.refresh()

在 on_mouse_down 中，用户点击图像开始绘制矩形框，on_mouse_move 用于实时更新矩形的形状，on_mouse_up 在用户松开鼠标时完成矩形的绘制。

3. ocr识别

标注完成后，用户可以点击“识别”按钮，程序会对标注区域进行ocr识别。ocr处理通过 pytesseract 库实现：

text = pytesseract.image_to_string(
    pil_image, 
    lang='chi_sim',  # 中文简体
    config='--psm 6 --oem 3'  # 更精确的文本块处理
)

识别结果会显示在文本框中，并且可以将识别的结果保存为excel文件：

if ocr_results:
    df = pd.dataframe({'识别区域': range(1, len(ocr_results) + 1), '识别文本': ocr_results})
    output_path = os.path.join(self.folder_path, f'{self.current_filename}_ocr_results.xlsx')
    df.to_excel(output_path, index=false, engine='openpyxl')

使用 pandas 库将识别结果保存为excel文件，方便后续查看和处理。

4. 标注的保存与加载

程序还允许用户将标注区域保存为 json 格式，以便下次加载时使用。这是通过以下方式实现的：

annotations_data = {
    'filename': self.current_filename,
    'rectangles': self.rectangles
}
json_path = os.path.join(self.folder_path, f'{self.current_filename}_annotations.json')
with open(json_path, 'w', encoding='utf-8') as f:
    json.dump(annotations_data, f)

标注文件会根据图像的文件名命名，以便与图像文件对应。加载标注时，程序会读取 json 文件并恢复之前的标注状态：

with open(json_path, 'r', encoding='utf-8') as f:
    annotations_data = json.load(f)
if annotations_data['filename'] == self.current_filename:
    self.rectangles = annotations_data['rectangles']

5. 裁剪与重置图像

裁剪功能允许用户裁剪图像的选定区域。用户完成矩形绘制后，点击“裁剪”按钮，程序会根据最后一个矩形进行图像裁剪：

cropped = self.current_image[y1:y2, x1:x2].copy()

如果需要重置图像，用户可以点击“重置图像”按钮，程序将恢复到原始图像状态。

6. ui组件与布局

wxpython 的布局管理使得界面整洁易用。主界面分为文件列表、图像显示区域和操作按钮区域三个部分。文件列表用于选择图像，图像显示区域展示图像并允许标注，按钮区域提供裁剪、标注、ocr识别等操作。

file_list_sizer = wx.boxsizer(wx.vertical)
self.file_listbox = wx.listbox(panel, choices=self.image_files, style=wx.lb_single)
file_list_sizer.add(self.file_listbox, 1, wx.expand | wx.all, 10)

通过 boxsizer 管理不同控件的布局，使得界面更加模块化和灵活。

运行结果