基于KNN的发票识别

项目概况:

有一个PDF文件，里面的每页都是一张发票，把每页的发票单独存为一个PDF并用该发票的的发票号码进行文件的命名，发票号码需要OCR识别，即识别下图中红色方块的内容。

 

 一:拆分PDF

现有一个PDF文件，里面有很多张发票图片，每张发票占一页

 

我们先把这整个PDF拆分为单独的PDF

使用PyPDF2这个包

代码如下，基本上每句都写了注释

from PyPDF2 import PdfFileWriter,PdfFileReader

def test1(file_path,folder_path,num,end_page,start_page=0):
"""
:param file_path: pdf文件路径
:param folder_path: 存放路径
:param num: 拆分后的pdf存在几个原pdf页数
:param end_page: 拆分到的最后一页
:param start_page: 起始的页数，默认为0
:return:
"""
# 打开PDF文件
pdf_file = PdfFileReader(open(file_path, 'rb'))
# 获取pdf的页数
pdf_file_num = pdf_file.getNumPages()
# 如果输入的end_page页数比pdf文件的页数大或者小于等于0，让停止的页数为pdf最大的页数
if end_page>pdf_file_num or end_page<=0:
end_page=pdf_file_num
# 从起始页到最后一页进行遍历
for i in range(start_page,end_page,num):
#创建一个PdfFileWriter的对象
out_put = PdfFileWriter()
# 给out_put这个对象传num数的页，项目中每个发票都只占了1页，所以num为1，如果发票占据2页，那么num为2
for k in range(num):
out_put.addPage(pdf_file.getPage(i))
# 设置保存的路径
out_file = folder_path + "\\" + f"{i}.pdf"
# 把out_put里面的数据写入到文件中
out_put.write(open(out_file, 'wb'))

运行结果如下:

 

 

 二:把PDF变成图片，并进行切分

现在发票是PDF格式，我们需要转为图片格式，而且我需要的发票号码在发票的右上角，所以对图片进行大致的切分有助于提高后面的识别速率。

这里解释一下rect = page.rect，rect可以获取页面的大小，rect.tl,tl为topleft的缩写，也就是左上角的意思，所以有tl(左上),tf(右上),bl(左下)，bf(右下)等坐标

import fitz

def my_fitz(pdfPath, imagePath):
"""
:param pdfPath: pdf的路径
:param imagePath: 图片文件夹的路径，不是图片路径
:return:
"""
# 打开pdf文件
pdfDoc = fitz.open(pdfPath)
for pg in range(pdfDoc.pageCount):
page = pdfDoc[pg]
rotate = int(0)
# 每个尺寸的缩放系数为2，生成的图像的分辨率会提高，参数也可以自由设置，没有硬性要求
zoom_x = 2
zoom_y = 2
# 这个函数可以理解为，把zoom_x，zoom_y这两个参数保存起来
mat = fitz.Matrix(zoom_x, zoom_y).preRotate(rotate)
rect = page.rect  # 页面大小
# mp为截取矩形的左上角坐标
mp=rect.tr-(500/zoom_x,0)
# tem为截取矩形的右下角坐标
tem=rect.tr+(0,200/zoom_y)
# clip为截取的矩形
clip = fitz.Rect(mp, tem)
# 进行图片的截取
pix = page.getPixmap(matrix=mat, alpha=False,clip=clip)
if not os.path.exists(imagePath):  # 判断存放图片的文件夹是否存在
os.makedirs(imagePath)  # 若图片文件夹不存在就创建
new_img_path = imagePath + '/' + '0.png'
pix.writePNG(new_img_path)  # 将图片写入指定的文件夹内

return new_img_path

运行结果如图所示:

 

 

 

 

 

三:检测边缘，把中间的数字截取出来

边缘检测我使用的CV2模块，注意使用cv2.threshold函数时，里面的图片必须为灰度图，不然会报错

import cv2

def my_croping(imgpath):
# 读取图片的路径
img = cv2.imread(imgpath)
# 把该图片转换为灰度图
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
#设置固定级别的阈值应用于矩阵
ret, binary = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)
# 寻找边缘，返回的contours为边缘数据的集合
_, contours, hierarchy = cv2.findContours(binary, cv2.RETR_TREE, cv2.CHAIN_APPROX_TC89_L1)
# 画出边缘,-1为画出所有的边缘，如果为任意自然数那么为contours的索引,(0,0,255)为颜色，最后的2是线条的粗细，数值越大，线条越粗
cv2.drawContours(img, contours, -1, (0, 0, 255), 2)
# 展示图片
cv2.imshow("pic", img)
# 等待，当参数为0时，为无限等待，直到有键盘指令
cv2.waitKey(0)

运行结果:

 

可见上一步骤的图片中的发票号码已经被圈起来了，但是有很多不必要的东西也被圈进来了，所以我们需要对初始的的contours进行筛选。

contours是一个包含多个列表的列表，我们需要的中间的数字，观察可知，中间数字的边缘比较大，所以我们只需要通过len()方法就可以进行初步的过滤

contours.sort(key=lambda x: len(x), reverse=True)
for i in range(len(contours)):
if len(contours[i]) > 10:
continue
else:
contours = contours[:i]
break

加入过滤后运行结果:

 

 我们初步的缩小了范围，下面需要制定具体的规则来确定想要获得的对象

首先，我们先获取各个边缘所组成的矩形的坐标

rect_list=[]
for i in range(len(contours)):
cont_ = contours[i]
# 找到boundingRect
rect = cv2.boundingRect(cont_)
print(rect)
rect_list.append(rect)

运行结果如下:

从左到右分别是x,y,宽度，高度

很明显，我们要找的坐标是8个，宽度，高度差不多的坐标,n为阈值，初始为10，当两个矩阵的宽和高直接的差的绝对值在阈值范围内,填入集合，如果这样的元素超过8个，那么则找到号码对应的矩阵，在传入之前，用X坐标的大小进行排序，能减少很多时间

def xyhw(li):
n=10
while n<30:
for i in range(len(li)):
tem_li=[li[i]]
for k in range(i+1,len(li)):
if abs(li[i][1]-li[k][1])+abs(li[i][2]-li[k][2])+abs(li[i][3]-li[k][3])<n:
tem_li.append(li[k])
if len(tem_li)>=8:
return tem_li
n+=1

但是这个筛选完，还有一个问题，有时候会出现分割后NO没有分割掉的情况，所以需要过滤掉NO

 

def filter_li(li):
if len(li)>8:
li = li[:9]
interval=li[0][0]-li[1][0]
test_interval=li[-2][0]-li[-1][0]
if test_interval/interval>1.5:
li=li[:-1]
return li

这样我们就可以获得号码的八个矩阵坐标，我们只需要把这八个矩阵融合即可

#进行排序
rect_list.sort(key= lambda x:x[0],reverse=True)
#进行筛选
rect_list=filter_li(rect_list)
#x0,y0为矩阵的左上角，x1,y1为矩阵的右下角
y0=rect_list[0][1]
y1=rect_list[0][1]+rect_list[0][3]
x0=rect_list[-1][0]
x1=rect_list[0][0]+rect_list[0][2]
print(y0,y1,x0,x1)
#进行图片切割
cropImg = img2[y0:y1,x0:x1]
#写入图片
cv2.imwrite(img_path,cropImg)

可以获得这样的图片:

 

 

四:把图片中的数字分别截取出来

第四步和第三步的原理一样，先边缘检测，然后获取矩形坐标后进行截图，比第三步简单不少，这里就不多赘述了

 

import cv2
import numpy as np

def xyhw(li):
n=10
tem_li=[]
while n<30:
for i in range(len(li)):
tem_li=[li[i]]
for k in range(i+1,len(li)):
if abs(li[i][1]-li[k][1])+abs(li[i][2]-li[k][2])+abs(li[i][3]-li[k][3])<n:
tem_li.append(li[k])
if len(tem_li)>=8:
return tem_li
n+=1
else:
return tem_li

# 将img的高度调整为28，先后对图像进行如下操作：直方图均衡化，形态学，阈值分割
def pre_treat(img):
height_ = 28
ratio_ = float(img.shape[1]) / float(img.shape[0])
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
gray = cv2.resize(gray, (int(ratio_ * height_), height_))
gray = cv2.equalizeHist(gray)
_, binary = cv2.threshold(gray, 190, 255, cv2.THRESH_BINARY)
img_ = 255 - binary  # 反转：文字置为白色，背景置为黑色
return img_

def get_roi(contours):
rect_list = []
for i in range(len(contours)):
rect = cv2.boundingRect(contours[i])
if rect[3] > 10:
rect_list.append(rect)
return rect_list

def get_rect(img):
_, contours, hierarchy = cv2.findContours(img,cv2.RETR_TREE, cv2.CHAIN_APPROX_TC89_L1)
rect_list = get_roi(contours)
rect_list.sort(key= lambda x:x[0],reverse=True)
rect_list=xyhw(rect_list)

return rect_list

def change_(img):
length = 28
h,w = img.shape
H = np.float32([[1,0,(length-w)/2],[0,1,(length-h)/2]])
img = cv2.warpAffine(img,H,(length,length))
M = cv2.getRotationMatrix2D((length/2,length/2),0,26/float(img.shape[0]))
return cv2.warpAffine(img,M,(length,length))

def fenge(img_path):
cont = 0
img = cv2.imread(img_path)
img = pre_treat(img)
contours = get_rect(img)
folder_path=r"C:\Users\86173\Desktop\jetbrains2019.2\new\tem"
file_list=[]
# img=cv2.drawContours(img,contours,2,(0, 0, 255),3)
print("*********************%s*************" %contours)
for i in range(len(contours)):
y0 = contours[i][1]
y1 = contours[i][1] + contours[i][3]
x0 = contours[i][0]
x1 = contours[i][0] + contours[i][2]
print(y0, y1, x0, x1)
cropImg = img[y0:y1, x0:x1]
cropImg = change_(cropImg)
fenge_img=rf"{folder_path}\{cont}.png"
cv2.imwrite(fenge_img, cropImg)
cont += 1
file_list.append(fenge_img)
return file_list

五:苦力活

通过第四步的分割，我们可以得到分割后的数字，那么第一步就是给这些分割后的数字命名,类似这样:

 

建议在分割的时候，用input输入来命名嗷

 第二步就是把这些图片转为矩阵存入txt中:

from PIL import Image
import numpy

def noise_remove_pil(image_name, k):
"""
8邻域降噪
Args:
image_name: 图片文件命名
k: 判断阈值

Returns:

"""

def calculate_noise_count(img_obj, w, h):
"""
计算邻域非白色的个数
Args:
img_obj: img obj
w: width
h: height
Returns:
count (int)
"""
count = 0
width, height = img_obj.size
for _w_ in [w - 1, w, w + 1]:
for _h_ in [h - 1, h, h + 1]:
if _w_ > width - 1:
continue
if _h_ > height - 1:
continue
if _w_ == w and _h_ == h:
continue
if img_obj.getpixel((_w_, _h_)) < 190:  # 这里因为是灰度图像，设置小于230为非白色
count += 1
return count

img = Image.open(image_name)
# 灰度
gray_img = img.convert('L')

w, h = gray_img.size
for _w in range(w):
for _h in range(h):
if _w == 0 or _h == 0:
gray_img.putpixel((_w, _h), 255)
continue
# 计算邻域非白色的个数
pixel = gray_img.getpixel((_w, _h))
if pixel == 255:
continue

if calculate_noise_count(gray_img, _w, _h) < k:
gray_img.putpixel((_w, _h), 255)
# gray_img = gray_img.resize((32, 32), Image.LANCZOS)
gray_img.save(image_name)
# gray_img.show()
im = numpy.array(gray_img)
for i in range(im.shape[0]):  # 转化为二值矩阵
for j in range(im.shape[1]):
if im[i, j] <190:
im[i, j] = 1
else:
im[i, j] = 0
return im

if __name__ == '__main__':
for i in range(0,10):
for k in range(0,100):
png_file_path=rf"C:\Users\86173\Desktop\jetbrains2019.2\model_test\{i}_{k}.png"
txt_file_path=rf"C:\Users\86173\Desktop\jetbrains2019.2\model_test\txt_folder\{i}_{k}.txt"
try:
im = noise_remove_pil(png_file_path, 4)
with open(txt_file_path,'at',encoding='utf-8')as f:
for n in im:
f.writelines(str(n).replace("[","").replace("]","").replace(" ","")+"\n")
except Exception as e:
continue

运行结果:

 

 

 

获得这样的文件，那么准备工作就结束了

六:KNN模型的使用

 导入sklearn使用knn模型非常简单，代码量很少

import numpy as np
from os import listdir
from sklearn.neighbors import KNeighborsClassifier as kNN

def np2vector(im):
returnVect = np.zeros((1, 784))
for i in range(28):
# 读一行数据
lineStr = im[i]
# 每一行的前28个元素依次添加到returnVect中
for j in range(28):
returnVect[0, 28 * i + j] = int(lineStr[j])
# 返回转换后的1x784向量
return returnVect
def img2vector(filename):
#创建1x784零向量
returnVect = np.zeros((1, 784))
#打开文件
fr = open(filename)
#按行读取
for i in range(28):
#读一行数据
lineStr = fr.readline()
#每一行的前28个元素依次添加到returnVect中
for j in range(28):

returnVect[0,28*i+j] = int(lineStr[j])
#返回转换后的1x784向量
return returnVect

def handwritingClassTest(im):
#测试集的Labels
hwLabels = []
#返回trainingDigits目录下的文件名
trainingFileList = listdir(r"C:\Users\86173\Desktop\jetbrains2019.2\model_test\txt_folder")
#返回文件夹下文件的个数
m = len(trainingFileList)
#初始化训练的Mat矩阵,测试集
trainingMat = np.zeros((m, 784))
#从文件名中解析出训练集的类别
for i in range(m):
#获得文件的名字
fileNameStr = trainingFileList[i]
#获得分类的数字
classNumber = int(fileNameStr.split('_')[0])
#将获得的类别添加到hwLabels中
hwLabels.append(classNumber)
trainingMat[i,:] = img2vector(r'C:\Users\86173\Desktop\jetbrains2019.2\model_test\txt_folder\%s' % (fileNameStr))
#构建kNN分类器
neigh = kNN(n_neighbors = 4, algorithm = 'auto')
#拟合模型, trainingMat为测试矩阵,hwLabels为对应的标签
neigh.fit(trainingMat, hwLabels)

vectorUnderTest = np2vector(im)

classifierResult = neigh.predict(vectorUnderTest)
return classifierResult

有这个模型，我们调用一下，就可以获取到对应的发票号码了

最终运行结果:

 

 

 

 

 最后:

knn的原理比较简单，但是因为是在工作之余写的，写的比较匆忙，有些步骤说的不够详细，如果有什么问题欢迎在评论区留言，如果有改进方案那就更好了，博主只是一个初入机器学习的小学生，欢迎各位大佬的指点，谢谢