简介这份资源是面向计算机视觉初学者、课程设计及毕业设计学生的印章识别实战项目基于Python与OpenCV实现帮助读者理解图像预处理、轮廓检测与印章区域定位等核心流程。压缩包共93个文件约24.74MB包含py源码、png与webp示例图片、xml配置、json数据、java与gradle工程文件、md说明文档及pdf资料覆盖代码、配置与文档多个层面。项目源码经本地编译可运行评审分达95分以上难度适中内容经助教老师审定适合直接用于学习或二次开发。目录中可见SealDetec-main、backend、data、seal.py、backend.py、requirement.txt等模块便于按功能拆分理解识别逻辑与后端调用关系。目前已有368人学习下载可作为图像识别入门与项目实践的可参考案例。1. 印章识别到底难在哪从一份 PythonOpenCV 项目说起很多人第一次接触印章识别是拿到一份「基于 PythonOpenCV 的印章识别程序源码使用文档全部资料」的压缩包解压后看到一堆 .py 文件和几张红章图片心里想的是「OpenCV 阈值一抠红色一提取不就完事了」。真跑起来才发现红头文件上的印章和正文黑字叠在一起公章盖歪了、盖浅了、盖在表格线上甚至一张 A4 纸上盖了三个章程序立刻开始玄学输出。印章识别这件事表面是颜色分割底层是「在复杂背景里把圆形/椭圆形的红色区域稳定地找出来再判断它是不是章、盖得正不正、内容清不清楚」。这份项目资料的价值不在于算法多前沿而在于它把一条能跑通的工程链路完整摊开了环境怎么装、图像怎么预处理、红色通道怎么分离、轮廓怎么筛、结果怎么可视化。它适合两类人——一类是刚学完 Python 和 OpenCV 基础、想找一个能写进简历的完整图像处理项目的新手另一类是在做票据、合同、公文电子化的从业者需要一个能快速验证「印章检测这一步到底可不可行」的基线方案。下面我按自己复现这类项目的顺序把环境、原理、代码、参数和坑一条条讲清楚。2. 环境搭建与项目结构把 cv2 跑起来的第一道坎2.1 Python 与 OpenCV 的安装组合怎么选这类项目最常见的翻车点不是算法是环境。热搜里modulenotfounderror: no module named opencv、opencv安装成功却找不到cv2、cv2.error: opencv(4.4.0)...这几个词能反复出现说明踩的人足够多。核心原因是 OpenCV 的包名和导入名不一致你pip install opencv-python代码里写的是import cv2新手经常在这两个名字之间迷路。我一般推荐 Python 3.8 到 3.10 这个区间太新的 Python 版本有时候对应 wheel 还没跟上pip install opencv-python会转去源码编译然后卡在pip-req-build那一长串临时目录里报错。安装命令就两条先装 numpy 再装 opencv因为 OpenCV 的 Python 绑定依赖 numpy# 建议先升级 pip避免旧版解析 wheel 出错 python -m pip install --upgrade pip # 先装 numpy再装 opencv-python pip install numpy pip install opencv-python # 验证能打印出版本号就说明导入链路通了 python -c import cv2; print(cv2.__version__)逻辑说明opencv-python是预编译好的 wheel 包装完直接能用不需要本地编译。参数上如果你要做视频或摄像头相关可以换成opencv-python-headless无 GUI 依赖适合服务器或带 contrib 的opencv-contrib-python含 SIFT、OCR 等扩展模块。验证那一步很关键很多人装完不验证等到跑主程序才报ModuleNotFoundError回头查半天。提示如果import cv2报DLL load failed八成是 numpy 版本和 opencv 版本不匹配先pip uninstall numpy opencv-python再按上面顺序重装比到处搜 DLL 文件快得多。2.2 一份典型印章识别项目的目录长什么样虽然每个压缩包结构不同但这类「源码使用文档全部资料」的项目目录基本跑不出下面这套骨架。你拿到手先按这个对照缺哪块心里有数目录/文件作用复现时的关注点main.py/run.py程序入口看它读的是单图还是文件夹utils/或core/预处理、分割、检测函数核心算法都在这images//test/测试用印章图先拿这些图跑通再换自己的requirements.txt依赖清单按它装别自己猜版本README/ 使用文档运行说明重点看输入输出格式约定output//result/结果保存目录没有就自己建否则写文件报错我一般会先打开入口文件找到它调用图像读取的那一行确认输入路径是硬编码还是命令行参数。硬编码的话第一件事就是把路径改成自己的测试图别急着改算法。很多新手一上来就动检测逻辑结果连图都没读进去白折腾。2.3 用一张图跑通最小闭环在动任何算法之前先写一个最小脚本确认「读图 → 转色 → 保存」这条链路是通的。这一步能帮你把环境问题和算法问题彻底分开import cv2 import numpy as np # 读取图片第二个参数 1 表示按彩色读入 img cv2.imread(test_seal.jpg, cv2.IMREAD_COLOR) if img is None: raise FileNotFoundError(图片没读到检查路径和文件名后缀) # 转成 HSV方便后面按色调分离红色 hsv cv2.cvtColor(img, cv2.COLOR_BGR2HSV) # 保存中间结果肉眼确认转换是否正常 cv2.imwrite(debug_hsv.jpg, hsv) print(图像尺寸:, img.shape) # (高, 宽, 通道)逻辑说明cv2.imread读进来是 BGR 顺序不是 RGB这是 OpenCV 的历史包袱后面做颜色判断时如果按 RGB 思路写会全错。img is None这个判断必须加路径写错时 OpenCV 不报异常只返回 None然后你在后面某一行莫名其妙崩掉。参数上IMREAD_COLOR强制三通道IMREAD_GRAYSCALE直接读灰度印章识别里通常先读彩色再自己转保留红色信息。跑通这一步说明环境和读图没问题可以进算法了。3. 红色印章分割HSV 阈值、通道相减与形态学怎么配合3.1 为什么优先用 HSV 而不是直接抠 R 通道印章是红色的直觉做法是「R 通道减 G 通道」红色区域差值大。这个思路在纯白底红章上能用但真实公文往往偏黄、偏灰光照不均直接相减会把纸张泛黄的区域也带进来。HSV 把颜色拆成色调H、饱和度S、亮度V三个维度红色集中在 H 的两端0 附近和 180 附近受亮度影响小阈值更稳。红色在 HSV 里跨了 0 度边界所以要取两段区间再合并这是新手最容易漏的点——只取一段深红或偏紫的章就漏检了。下面是我常用的分割函数def extract_red_mask(img): hsv cv2.cvtColor(img, cv2.COLOR_BGR2HSV) # 红色在 H 上分两段0~10 和 170~180 lower1 np.array([0, 43, 46]) upper1 np.array([10, 255, 255]) lower2 np.array([170, 43, 46]) upper2 np.array([180, 255, 255]) mask1 cv2.inRange(hsv, lower1, upper1) mask2 cv2.inRange(hsv, lower2, upper2) mask cv2.bitwise_or(mask1, mask2) return mask逻辑说明inRange把落在区间内的像素置 255其余置 0得到二值掩膜。参数里 S 下限 43、V 下限 46 是经验值S 太低会把灰白背景算进来V 太低会把暗红算成黑。如果你的章偏粉或偏暗先调 S 下限再调 V 下限一次只动一个别同时改。bitwise_or把两段红色合并成一张掩膜。3.2 形态学去噪开运算、闭运算的先后顺序分割出来的掩膜一定带噪点纸张纹理、红色表格线、印刷红字都会混进来。形态学操作就是用来清理这些的。开运算先腐蚀后膨胀去小噪点闭运算先膨胀后腐蚀补内部空洞。顺序上我一般先开后闭def clean_mask(mask): # 开运算去掉孤立小噪点 kernel_open cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (3, 3)) mask cv2.morphologyEx(mask, cv2.MORPH_OPEN, kernel_open) # 闭运算填补印章笔画内部的断裂 kernel_close cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (5, 5)) mask cv2.morphologyEx(mask, cv2.MORPH_CLOSE, kernel_close) return mask逻辑说明核的形状选椭圆MORPH_ELLIPSE比矩形更贴合印章的圆弧边缘不容易把圆章切成方块。开运算核用 3×3太大直接把细笔画当噪点抹掉闭运算核用 5×5用来连接断开的笔画。参数没有万能值图分辨率高就适当加大但开运算核一般不超过 5×5否则小印章直接消失。3.3 轮廓筛选用面积、圆度和位置把「章」挑出来掩膜清理完用findContours找轮廓但找到的轮廓里混着文字块、边框、噪点。要靠几个几何特征筛面积不能太小、外接矩形接近正方形、圆度够高。圆度公式是4π·面积 / 周长²正圆接近 1。def find_seal_contours(mask, min_area2000): contours, _ cv2.findContours(mask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) seals [] for cnt in contours: area cv2.contourArea(cnt) if area min_area: continue perimeter cv2.arcLength(cnt, True) if perimeter 0: continue circularity 4 * np.pi * area / (perimeter * perimeter) x, y, w, h cv2.boundingRect(cnt) aspect w / float(h) # 圆度够高、长宽比接近 1才当印章 if circularity 0.6 and 0.7 aspect 1.4: seals.append((x, y, w, h)) return seals逻辑说明RETR_EXTERNAL只取最外层轮廓避免印章内部笔画被重复计算。min_area是最关键的过滤参数太小会把红字当章太大漏掉小章一般按图像分辨率定1080p 图从 2000 起调。圆度阈值 0.6 是宽松值椭圆章、盖歪的章圆度会低可以放到 0.5。长宽比 0.7 到 1.4 覆盖了椭圆章和轻微变形。这几个参数要一起看单独调一个容易顾此失彼。4. 印章定位与结果输出把检测框画对、把结果存好4.1 用最小外接圆还是外接矩形筛出轮廓后可视化有两种画法boundingRect画正矩形minEnclosingCircle画最小外接圆。印章是圆的用外接圆更贴合但如果你后面要裁剪出来做 OCR正矩形更好切。我的习惯是两个都算圆用来判断「是不是章」矩形用来裁剪def draw_and_crop(img, seals): for i, (x, y, w, h) in enumerate(seals): # 画矩形框 cv2.rectangle(img, (x, y), (x w, y h), (0, 255, 0), 2) # 裁剪印章区域留一点边距 pad 5 crop img[max(0, y - pad):y h pad, max(0, x - pad):x w pad] cv2.imwrite(fseal_{i}.jpg, crop) return img逻辑说明pad是裁剪时向外扩的像素防止印章边缘被切掉。坐标用max(0, ...)兜底避免越界。裁剪出来的图可以直接喂给后续的 OCR 或清晰度评估。参数上pad 一般取 5 到 10太大把周围文字带进来太小切边。4.2 批量处理与结果落盘单图跑通后实际用起来都是批量。批量处理要处理三件事遍历文件夹、异常不中断、结果按原名保存。下面这个骨架我用了很多次import os def batch_process(input_dir, output_dir): os.makedirs(output_dir, exist_okTrue) exts (.jpg, .jpeg, .png, .bmp) for name in os.listdir(input_dir): if not name.lower().endswith(exts): continue path os.path.join(input_dir, name) img cv2.imread(path) if img is None: print(f跳过读不到的图: {name}) continue try: mask clean_mask(extract_red_mask(img)) seals find_seal_contours(mask) result draw_and_crop(img, seals) cv2.imwrite(os.path.join(output_dir, name), result) print(f{name}: 检出 {len(seals)} 个印章) except Exception as e: # 单张失败不影响整批 print(f{name} 处理失败: {e})逻辑说明os.makedirs(..., exist_okTrue)保证输出目录存在且不报重复创建。try/except包住单张处理一张图崩了不影响后面的这是批量脚本的后悔药。参数上exts按你实际图片格式增减。打印检出数量方便你快速判断哪张图有问题。4.3 检测结果怎么验证才算靠谱跑完不能只看「有没有画框」要量化。我一般统计三个指标检出率有章的图里检出的比例、误检率没章的图里误报的比例、定位偏差框和真实章位置的重合度。没有标注数据时至少人工抽 20 张看一眼。下面这个 IoU 计算在你有标注框时很有用def iou(box_a, box_b): # box 格式: (x, y, w, h) ax1, ay1, aw, ah box_a bx1, by1, bw, bh box_b ax2, ay2 ax1 aw, ay1 ah bx2, by2 bx1 bw, by1 bh ix1, iy1 max(ax1, bx1), max(ay1, by1) ix2, iy2 min(ax2, bx2), min(ay2, by2) iw, ih max(0, ix2 - ix1), max(0, iy2 - iy1) inter iw * ih union aw * ah bw * bh - inter return inter / union if union 0 else 0逻辑说明IoU 大于 0.5 一般算定位正确。参数上如果你的应用对定位精度要求高比如要判断盖章位置是否合规阈值提到 0.7。这个函数也是调参时的依据——改完阈值跑一遍看 IoU 分布有没有变好比肉眼靠谱。5. 避坑与排查印章识别里最常见的 5 个翻车现场5.1 现象程序不报错但一个章都没检出原因八成是 HSV 阈值区间和你的图不匹配。很多项目源码里的阈值是针对作者那几张测试图调的换成你自己的扫描件红色偏暗或偏亮直接落在区间外。另一个可能是min_area设太大小章被过滤。解决先把掩膜图debug_hsv.jpg存出来肉眼看红色区域是不是白的。如果掩膜几乎全黑就是阈值问题用取色工具读一下你图里印章的 HSV 值把区间往那个方向挪。如果掩膜正常但没轮廓把min_area降到 500 试。5.2 现象cv2.error报通道数或尺寸不匹配原因常见于把灰度图当彩色图处理或者findContours传进去的不是单通道二值图。OpenCV 4.x 的findContours只接受单通道传三通道直接报错。解决在调用前确认mask.shape是二维的必要时mask cv2.cvtColor(mask, cv2.COLOR_BGR2GRAY)再cv2.threshold二值化。养成在每个关键函数入口打印img.shape的习惯比看报错猜快。5.3 现象红色表格线、红头文字被当成印章原因颜色分割只看颜色不看形状红色表格线和印章在掩膜里长得一样。轮廓筛选的圆度和长宽比没卡住。解决表格线是细长的长宽比极端把aspect范围收紧到 0.8 到 1.25红头文字面积小且分散把min_area提上去。如果还不行加一个「轮廓内像素填充率」判断印章是实心圆填充率高文字块填充率低。5.4 现象同一张图里多个章只检出一个原因多个印章的轮廓被形态学闭运算连成一片RETR_EXTERNAL只返回一个外轮廓。解决把闭运算核调小或者改用RETR_LIST取所有轮廓再按面积筛。如果章挨得特别近考虑先做距离变换再分水岭分割但这属于进阶一般调核大小就够。5.5 现象换台机器跑结果不一样原因OpenCV 不同版本对findContours的返回值和形态学实现有细微差异加上 numpy 版本不同浮点计算可能有微小偏差边界情况结果就变了。解决把requirements.txt里的版本锁死pip install -r requirements.txt而不是逐个装最新版。团队协作时这一步能省掉大量「我这儿是好的」的扯皮。6. 从能跑到好用印章清晰度评估与盖章位置判断的进阶做法把章检出来只是第一步实际业务里更关心「这个章盖得清不清楚、位置正不正」。这两个判断不需要深度学习用 OpenCV 的经典指标就能做出可用的版本这也是这份项目资料往上加价值的方向。先说清晰度。印章模糊的本质是边缘不锐利用拉普拉斯算子的方差衡量方差越大边缘越清晰。这个指标在图像质量评估里叫「拉普拉斯方差」实现只要三行def seal_clarity(gray_crop): # 拉普拉斯算子提取边缘再算方差 lap cv2.Laplacian(gray_crop, cv2.CV_64F) return lap.var() # 经验阈值方差低于 100 通常偏模糊高于 500 很清晰逻辑说明CV_64F用浮点存避免负值被截断。阈值因图而异我一般先跑一批已知清晰和模糊的样本看方差分布再定线别直接抄 100 这个数。参数上裁剪区域要尽量只含印章带太多白底会拉低方差。再说盖章位置。公文盖章有「骑年盖月」「不压正文」的规矩程序里可以判断印章中心相对文档的位置、是否和文字区域重叠。做法是先检测文字区域用 MSER 或简单阈值再算印章框和文字框的交集面积占比超过阈值就提示「压字」。这个逻辑不复杂但能显著提升方案的实用性。最后说一个我踩过的坑不要一上来就想着上深度学习。印章识别这个场景传统 CV 在受控条件下扫描件、固定底色能做到 90% 以上的检出率训练一个检测模型的数据标注成本远高于调几个阈值。先用 OpenCV 把基线跑出来量化清楚它在你的数据上到底差在哪再决定要不要上模型。我见过太多人跳过基线直接训模型最后连问题出在数据还是算法都说不清。这套方案的边界也很清楚手写体印章、严重褪色的老章、和背景色几乎融为一体的章传统方法会吃力这时候再考虑引入 OCR 或检测网络。但作为一份能写进简历、能快速验证可行性的项目PythonOpenCV 这条路性价比足够高。我自己的习惯是任何图像处理需求先用 OpenCV 写个最小版本跑不通再升级工具这个顺序帮我省下了大量无效投入。希望帮到你。本文还有配套的精品资源点击获取 Python+OpenCV印章识别实战：从环境搭建到检测优化
简介这份资源是面向计算机视觉初学者、课程设计及毕业设计学生的印章识别实战项目基于Python与OpenCV实现帮助读者理解图像预处理、轮廓检测与印章区域定位等核心流程。压缩包共93个文件约24.74MB包含py源码、png与webp示例图片、xml配置、json数据、java与gradle工程文件、md说明文档及pdf资料覆盖代码、配置与文档多个层面。项目源码经本地编译可运行评审分达95分以上难度适中内容经助教老师审定适合直接用于学习或二次开发。目录中可见SealDetec-main、backend、data、seal.py、backend.py、requirement.txt等模块便于按功能拆分理解识别逻辑与后端调用关系。目前已有368人学习下载可作为图像识别入门与项目实践的可参考案例。1. 印章识别到底难在哪从一份 PythonOpenCV 项目说起很多人第一次接触印章识别是拿到一份「基于 PythonOpenCV 的印章识别程序源码使用文档全部资料」的压缩包解压后看到一堆 .py 文件和几张红章图片心里想的是「OpenCV 阈值一抠红色一提取不就完事了」。真跑起来才发现红头文件上的印章和正文黑字叠在一起公章盖歪了、盖浅了、盖在表格线上甚至一张 A4 纸上盖了三个章程序立刻开始玄学输出。印章识别这件事表面是颜色分割底层是「在复杂背景里把圆形/椭圆形的红色区域稳定地找出来再判断它是不是章、盖得正不正、内容清不清楚」。这份项目资料的价值不在于算法多前沿而在于它把一条能跑通的工程链路完整摊开了环境怎么装、图像怎么预处理、红色通道怎么分离、轮廓怎么筛、结果怎么可视化。它适合两类人——一类是刚学完 Python 和 OpenCV 基础、想找一个能写进简历的完整图像处理项目的新手另一类是在做票据、合同、公文电子化的从业者需要一个能快速验证「印章检测这一步到底可不可行」的基线方案。下面我按自己复现这类项目的顺序把环境、原理、代码、参数和坑一条条讲清楚。2. 环境搭建与项目结构把 cv2 跑起来的第一道坎2.1 Python 与 OpenCV 的安装组合怎么选这类项目最常见的翻车点不是算法是环境。热搜里modulenotfounderror: no module named opencv、opencv安装成功却找不到cv2、cv2.error: opencv(4.4.0)...这几个词能反复出现说明踩的人足够多。核心原因是 OpenCV 的包名和导入名不一致你pip install opencv-python代码里写的是import cv2新手经常在这两个名字之间迷路。我一般推荐 Python 3.8 到 3.10 这个区间太新的 Python 版本有时候对应 wheel 还没跟上pip install opencv-python会转去源码编译然后卡在pip-req-build那一长串临时目录里报错。安装命令就两条先装 numpy 再装 opencv因为 OpenCV 的 Python 绑定依赖 numpy# 建议先升级 pip避免旧版解析 wheel 出错 python -m pip install --upgrade pip # 先装 numpy再装 opencv-python pip install numpy pip install opencv-python # 验证能打印出版本号就说明导入链路通了 python -c import cv2; print(cv2.__version__)逻辑说明opencv-python是预编译好的 wheel 包装完直接能用不需要本地编译。参数上如果你要做视频或摄像头相关可以换成opencv-python-headless无 GUI 依赖适合服务器或带 contrib 的opencv-contrib-python含 SIFT、OCR 等扩展模块。验证那一步很关键很多人装完不验证等到跑主程序才报ModuleNotFoundError回头查半天。提示如果import cv2报DLL load failed八成是 numpy 版本和 opencv 版本不匹配先pip uninstall numpy opencv-python再按上面顺序重装比到处搜 DLL 文件快得多。2.2 一份典型印章识别项目的目录长什么样虽然每个压缩包结构不同但这类「源码使用文档全部资料」的项目目录基本跑不出下面这套骨架。你拿到手先按这个对照缺哪块心里有数目录/文件作用复现时的关注点main.py/run.py程序入口看它读的是单图还是文件夹utils/或core/预处理、分割、检测函数核心算法都在这images//test/测试用印章图先拿这些图跑通再换自己的requirements.txt依赖清单按它装别自己猜版本README/ 使用文档运行说明重点看输入输出格式约定output//result/结果保存目录没有就自己建否则写文件报错我一般会先打开入口文件找到它调用图像读取的那一行确认输入路径是硬编码还是命令行参数。硬编码的话第一件事就是把路径改成自己的测试图别急着改算法。很多新手一上来就动检测逻辑结果连图都没读进去白折腾。2.3 用一张图跑通最小闭环在动任何算法之前先写一个最小脚本确认「读图 → 转色 → 保存」这条链路是通的。这一步能帮你把环境问题和算法问题彻底分开import cv2 import numpy as np # 读取图片第二个参数 1 表示按彩色读入 img cv2.imread(test_seal.jpg, cv2.IMREAD_COLOR) if img is None: raise FileNotFoundError(图片没读到检查路径和文件名后缀) # 转成 HSV方便后面按色调分离红色 hsv cv2.cvtColor(img, cv2.COLOR_BGR2HSV) # 保存中间结果肉眼确认转换是否正常 cv2.imwrite(debug_hsv.jpg, hsv) print(图像尺寸:, img.shape) # (高, 宽, 通道)逻辑说明cv2.imread读进来是 BGR 顺序不是 RGB这是 OpenCV 的历史包袱后面做颜色判断时如果按 RGB 思路写会全错。img is None这个判断必须加路径写错时 OpenCV 不报异常只返回 None然后你在后面某一行莫名其妙崩掉。参数上IMREAD_COLOR强制三通道IMREAD_GRAYSCALE直接读灰度印章识别里通常先读彩色再自己转保留红色信息。跑通这一步说明环境和读图没问题可以进算法了。3. 红色印章分割HSV 阈值、通道相减与形态学怎么配合3.1 为什么优先用 HSV 而不是直接抠 R 通道印章是红色的直觉做法是「R 通道减 G 通道」红色区域差值大。这个思路在纯白底红章上能用但真实公文往往偏黄、偏灰光照不均直接相减会把纸张泛黄的区域也带进来。HSV 把颜色拆成色调H、饱和度S、亮度V三个维度红色集中在 H 的两端0 附近和 180 附近受亮度影响小阈值更稳。红色在 HSV 里跨了 0 度边界所以要取两段区间再合并这是新手最容易漏的点——只取一段深红或偏紫的章就漏检了。下面是我常用的分割函数def extract_red_mask(img): hsv cv2.cvtColor(img, cv2.COLOR_BGR2HSV) # 红色在 H 上分两段0~10 和 170~180 lower1 np.array([0, 43, 46]) upper1 np.array([10, 255, 255]) lower2 np.array([170, 43, 46]) upper2 np.array([180, 255, 255]) mask1 cv2.inRange(hsv, lower1, upper1) mask2 cv2.inRange(hsv, lower2, upper2) mask cv2.bitwise_or(mask1, mask2) return mask逻辑说明inRange把落在区间内的像素置 255其余置 0得到二值掩膜。参数里 S 下限 43、V 下限 46 是经验值S 太低会把灰白背景算进来V 太低会把暗红算成黑。如果你的章偏粉或偏暗先调 S 下限再调 V 下限一次只动一个别同时改。bitwise_or把两段红色合并成一张掩膜。3.2 形态学去噪开运算、闭运算的先后顺序分割出来的掩膜一定带噪点纸张纹理、红色表格线、印刷红字都会混进来。形态学操作就是用来清理这些的。开运算先腐蚀后膨胀去小噪点闭运算先膨胀后腐蚀补内部空洞。顺序上我一般先开后闭def clean_mask(mask): # 开运算去掉孤立小噪点 kernel_open cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (3, 3)) mask cv2.morphologyEx(mask, cv2.MORPH_OPEN, kernel_open) # 闭运算填补印章笔画内部的断裂 kernel_close cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (5, 5)) mask cv2.morphologyEx(mask, cv2.MORPH_CLOSE, kernel_close) return mask逻辑说明核的形状选椭圆MORPH_ELLIPSE比矩形更贴合印章的圆弧边缘不容易把圆章切成方块。开运算核用 3×3太大直接把细笔画当噪点抹掉闭运算核用 5×5用来连接断开的笔画。参数没有万能值图分辨率高就适当加大但开运算核一般不超过 5×5否则小印章直接消失。3.3 轮廓筛选用面积、圆度和位置把「章」挑出来掩膜清理完用findContours找轮廓但找到的轮廓里混着文字块、边框、噪点。要靠几个几何特征筛面积不能太小、外接矩形接近正方形、圆度够高。圆度公式是4π·面积 / 周长²正圆接近 1。def find_seal_contours(mask, min_area2000): contours, _ cv2.findContours(mask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) seals [] for cnt in contours: area cv2.contourArea(cnt) if area min_area: continue perimeter cv2.arcLength(cnt, True) if perimeter 0: continue circularity 4 * np.pi * area / (perimeter * perimeter) x, y, w, h cv2.boundingRect(cnt) aspect w / float(h) # 圆度够高、长宽比接近 1才当印章 if circularity 0.6 and 0.7 aspect 1.4: seals.append((x, y, w, h)) return seals逻辑说明RETR_EXTERNAL只取最外层轮廓避免印章内部笔画被重复计算。min_area是最关键的过滤参数太小会把红字当章太大漏掉小章一般按图像分辨率定1080p 图从 2000 起调。圆度阈值 0.6 是宽松值椭圆章、盖歪的章圆度会低可以放到 0.5。长宽比 0.7 到 1.4 覆盖了椭圆章和轻微变形。这几个参数要一起看单独调一个容易顾此失彼。4. 印章定位与结果输出把检测框画对、把结果存好4.1 用最小外接圆还是外接矩形筛出轮廓后可视化有两种画法boundingRect画正矩形minEnclosingCircle画最小外接圆。印章是圆的用外接圆更贴合但如果你后面要裁剪出来做 OCR正矩形更好切。我的习惯是两个都算圆用来判断「是不是章」矩形用来裁剪def draw_and_crop(img, seals): for i, (x, y, w, h) in enumerate(seals): # 画矩形框 cv2.rectangle(img, (x, y), (x w, y h), (0, 255, 0), 2) # 裁剪印章区域留一点边距 pad 5 crop img[max(0, y - pad):y h pad, max(0, x - pad):x w pad] cv2.imwrite(fseal_{i}.jpg, crop) return img逻辑说明pad是裁剪时向外扩的像素防止印章边缘被切掉。坐标用max(0, ...)兜底避免越界。裁剪出来的图可以直接喂给后续的 OCR 或清晰度评估。参数上pad 一般取 5 到 10太大把周围文字带进来太小切边。4.2 批量处理与结果落盘单图跑通后实际用起来都是批量。批量处理要处理三件事遍历文件夹、异常不中断、结果按原名保存。下面这个骨架我用了很多次import os def batch_process(input_dir, output_dir): os.makedirs(output_dir, exist_okTrue) exts (.jpg, .jpeg, .png, .bmp) for name in os.listdir(input_dir): if not name.lower().endswith(exts): continue path os.path.join(input_dir, name) img cv2.imread(path) if img is None: print(f跳过读不到的图: {name}) continue try: mask clean_mask(extract_red_mask(img)) seals find_seal_contours(mask) result draw_and_crop(img, seals) cv2.imwrite(os.path.join(output_dir, name), result) print(f{name}: 检出 {len(seals)} 个印章) except Exception as e: # 单张失败不影响整批 print(f{name} 处理失败: {e})逻辑说明os.makedirs(..., exist_okTrue)保证输出目录存在且不报重复创建。try/except包住单张处理一张图崩了不影响后面的这是批量脚本的后悔药。参数上exts按你实际图片格式增减。打印检出数量方便你快速判断哪张图有问题。4.3 检测结果怎么验证才算靠谱跑完不能只看「有没有画框」要量化。我一般统计三个指标检出率有章的图里检出的比例、误检率没章的图里误报的比例、定位偏差框和真实章位置的重合度。没有标注数据时至少人工抽 20 张看一眼。下面这个 IoU 计算在你有标注框时很有用def iou(box_a, box_b): # box 格式: (x, y, w, h) ax1, ay1, aw, ah box_a bx1, by1, bw, bh box_b ax2, ay2 ax1 aw, ay1 ah bx2, by2 bx1 bw, by1 bh ix1, iy1 max(ax1, bx1), max(ay1, by1) ix2, iy2 min(ax2, bx2), min(ay2, by2) iw, ih max(0, ix2 - ix1), max(0, iy2 - iy1) inter iw * ih union aw * ah bw * bh - inter return inter / union if union 0 else 0逻辑说明IoU 大于 0.5 一般算定位正确。参数上如果你的应用对定位精度要求高比如要判断盖章位置是否合规阈值提到 0.7。这个函数也是调参时的依据——改完阈值跑一遍看 IoU 分布有没有变好比肉眼靠谱。5. 避坑与排查印章识别里最常见的 5 个翻车现场5.1 现象程序不报错但一个章都没检出原因八成是 HSV 阈值区间和你的图不匹配。很多项目源码里的阈值是针对作者那几张测试图调的换成你自己的扫描件红色偏暗或偏亮直接落在区间外。另一个可能是min_area设太大小章被过滤。解决先把掩膜图debug_hsv.jpg存出来肉眼看红色区域是不是白的。如果掩膜几乎全黑就是阈值问题用取色工具读一下你图里印章的 HSV 值把区间往那个方向挪。如果掩膜正常但没轮廓把min_area降到 500 试。5.2 现象cv2.error报通道数或尺寸不匹配原因常见于把灰度图当彩色图处理或者findContours传进去的不是单通道二值图。OpenCV 4.x 的findContours只接受单通道传三通道直接报错。解决在调用前确认mask.shape是二维的必要时mask cv2.cvtColor(mask, cv2.COLOR_BGR2GRAY)再cv2.threshold二值化。养成在每个关键函数入口打印img.shape的习惯比看报错猜快。5.3 现象红色表格线、红头文字被当成印章原因颜色分割只看颜色不看形状红色表格线和印章在掩膜里长得一样。轮廓筛选的圆度和长宽比没卡住。解决表格线是细长的长宽比极端把aspect范围收紧到 0.8 到 1.25红头文字面积小且分散把min_area提上去。如果还不行加一个「轮廓内像素填充率」判断印章是实心圆填充率高文字块填充率低。5.4 现象同一张图里多个章只检出一个原因多个印章的轮廓被形态学闭运算连成一片RETR_EXTERNAL只返回一个外轮廓。解决把闭运算核调小或者改用RETR_LIST取所有轮廓再按面积筛。如果章挨得特别近考虑先做距离变换再分水岭分割但这属于进阶一般调核大小就够。5.5 现象换台机器跑结果不一样原因OpenCV 不同版本对findContours的返回值和形态学实现有细微差异加上 numpy 版本不同浮点计算可能有微小偏差边界情况结果就变了。解决把requirements.txt里的版本锁死pip install -r requirements.txt而不是逐个装最新版。团队协作时这一步能省掉大量「我这儿是好的」的扯皮。6. 从能跑到好用印章清晰度评估与盖章位置判断的进阶做法把章检出来只是第一步实际业务里更关心「这个章盖得清不清楚、位置正不正」。这两个判断不需要深度学习用 OpenCV 的经典指标就能做出可用的版本这也是这份项目资料往上加价值的方向。先说清晰度。印章模糊的本质是边缘不锐利用拉普拉斯算子的方差衡量方差越大边缘越清晰。这个指标在图像质量评估里叫「拉普拉斯方差」实现只要三行def seal_clarity(gray_crop): # 拉普拉斯算子提取边缘再算方差 lap cv2.Laplacian(gray_crop, cv2.CV_64F) return lap.var() # 经验阈值方差低于 100 通常偏模糊高于 500 很清晰逻辑说明CV_64F用浮点存避免负值被截断。阈值因图而异我一般先跑一批已知清晰和模糊的样本看方差分布再定线别直接抄 100 这个数。参数上裁剪区域要尽量只含印章带太多白底会拉低方差。再说盖章位置。公文盖章有「骑年盖月」「不压正文」的规矩程序里可以判断印章中心相对文档的位置、是否和文字区域重叠。做法是先检测文字区域用 MSER 或简单阈值再算印章框和文字框的交集面积占比超过阈值就提示「压字」。这个逻辑不复杂但能显著提升方案的实用性。最后说一个我踩过的坑不要一上来就想着上深度学习。印章识别这个场景传统 CV 在受控条件下扫描件、固定底色能做到 90% 以上的检出率训练一个检测模型的数据标注成本远高于调几个阈值。先用 OpenCV 把基线跑出来量化清楚它在你的数据上到底差在哪再决定要不要上模型。我见过太多人跳过基线直接训模型最后连问题出在数据还是算法都说不清。这套方案的边界也很清楚手写体印章、严重褪色的老章、和背景色几乎融为一体的章传统方法会吃力这时候再考虑引入 OCR 或检测网络。但作为一份能写进简历、能快速验证可行性的项目PythonOpenCV 这条路性价比足够高。我自己的习惯是任何图像处理需求先用 OpenCV 写个最小版本跑不通再升级工具这个顺序帮我省下了大量无效投入。希望帮到你。本文还有配套的精品资源点击获取