在 Python 中根据代码行的背景颜色提取代码片段，可以通过图像处理技术实现。此任务的核心在于识别具有特定背景颜色的区域，并从中提取对应的文本内容。以下方法结合 OpenCV 和 PIL 库来完成该功能。 --- ### 工具准备 - **OpenCV**: 用于图像的颜色分割和轮廓检测。 - **Pillow (PIL)**: 用于加载和保存图像，以及辅助处理。 - **Tesseract OCR**: 将提取的彩色区域转换为可读的文字内容。 安装依赖库： ```bash pip install opencv-python-headless pillow pytesseract sudo apt-get install tesseract-ocr # 对于 Linux 用户 ``` --- ### 方法描述 #### 步骤一：加载图片并预处理 使用 Pillow 加载包含代码片段的图片，并将其转换为 NumPy 数组供 OpenCV 使用。 #### 步骤二：颜色过滤 通过设定阈值范围筛选出指定背景颜色的像素点。例如，如果目标背景是白色 (`RGB(255, 255, 255)`)，可以设置一个接近白色的 RGB 范围。 #### 步骤三：形态学操作 对滤波后的掩码执行膨胀/腐蚀操作以消除噪声并闭合断开的部分。 #### 步骤四：轮廓检测 找到掩码中的连通域（即代码片段所在的矩形框），并将它们裁剪出来。 #### 步骤五：OCR 文字识别 对于每个裁剪出来的子图，调用 Tesseract 进行文字提取。 --- ### 示例代码 ```python import cv2 import numpy as np from PIL import Image import pytesseract # 设置 Tesseract 的路径（Windows 用户需调整） pytesseract.pytesseract.tesseract_cmd = r'C:\Program Files\Tesseract-OCR\tesseract.exe' def extract_code_by_background_color(image_path, background_color=(255, 255, 255)): """ 根据背景颜色提取代码片段 :param image_path: 输入图片路径 :param background_color: 目标背景颜色，默认为白色 (R=255, G=255, B=255) :return: 提取出的代码片段列表 """ # 定义允许的颜色偏差范围 lower_bound = np.array([background_color[0]-10, background_color[1]-10, background_color[2]-10]) upper_bound = np.array([background_color[0]+10, background_color[1]+10, background_color[2]+10]) # 加载图片并转换为 BGR 格式 img_bgr = cv2.imread(image_path) img_rgb = cv2.cvtColor(img_bgr, cv2.COLOR_BGR2RGB) # 创建掩码：保留目标背景颜色部分 mask = cv2.inRange(img_rgb, lower_bound, upper_bound) # 形态学操作去除噪点 kernel = np.ones((3, 3), np.uint8) cleaned_mask = cv2.morphologyEx(mask, cv2.MORPH_CLOSE, kernel) # 寻找轮廓 contours, _ = cv2.findContours(cleaned_mask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) extracted_codes = [] for contour in contours: x, y, w, h = cv2.boundingRect(contour) # 裁剪感兴趣区域 roi = img_bgr[y:y+h, x:x+w] # 使用 Tesseract 提取文字 text = pytesseract.image_to_string(Image.fromarray(cv2.cvtColor(roi, cv2.COLOR_BGR2RGB))) if text.strip(): # 只保留有有效内容的结果 extracted_codes.append(text.strip()) return extracted_codes # 测试函数 if __name__ == "__main__": codes = extract_code_by_background_color('code_with_white_bg.png') for i, code in enumerate(codes): print(f"Extracted Code Block {i+1}:\n{code}\n{'-'*40}") ``` --- ### 关键点说明 1. **颜色空间的选择** 上述代码采用 RGB 颜色空间进行背景颜色匹配。如果遇到光照不均等情况，建议转到 HSV 或 LAB 颜色空间[^4]，因为这些空间更能反映人类视觉感知特性。 2. **形态学操作的重要性** 经过 `cv2.inRange` 得到的初始掩码可能含有孤立点或断裂现象，因此需要运用开运算或闭运算改善其连续性。 3. **OCR 性能优化** Tesseract 默认配置适用于大多数场景，但对于低分辨率或模糊字体，可通过自定义参数提升准确性。例如增加 DPI 参数或将图片灰度化后再传递给 OCR 引擎。 4. **多线程加速** 若待处理图片数量较多，考虑将每张图片交给独立线程运行，充分利用 CPU 并发能力加快整体进度。 --- ### 局限性和改进建议 当前方案假设背景颜色均匀分布且易于区分。然而实际应用场景中可能存在渐变色、阴影干扰等因素影响效果。针对这些问题，未来可以从以下方向改进： - 引入机器学习模型预测代码区域； - 结合上下文语义理解进一步验证候选框是否真的代表代码块。 ---