一键检测海量图片是否含文字!Python + OpenCV 实现递归目录扫描 + HTML 可视化报告(无需 OCR 引擎)速度快

#!/usr/bin/env python3
"""
图片文字检测 Demo - 生成 HTML 报告（支持递归子目录）
检查目录及其所有子目录中的图片是否包含文字，结果以表格形式展示

用法:
    python check_image_has_text.py [图片目录] [方法]

示例:
    python check_image_has_text.py /path/to/images simple    # 简单方法（快速）
"""

import sys
import cv2
import numpy as np
from pathlib import Path
import base64
from datetime import datetime


defimage_to_base64(image_path: Path) -> str:
"""将图片转为 base64，用于 HTML 显示"""
try:
withopen(image_path, "rb") as f:
return base64.b64encode(f.read()).decode()
except:
return""


defcheck_text_by_simple_analysis(image_path: Path) -> dict:
"""改进版 - 更严格的文字检测（尽量降低假阳性）"""
try:
        img = cv2.imread(str(image_path))
if img isNone:
return {"has_text": False, "confidence": 0, "detail": "无法读取图片"}

# ── 预处理 ────────────────────────────────────────
if img.shape[0] * img.shape[1] > 4000 * 4000:  # 太大就缩小加快速度
            scale = 2000 / max(img.shape[:2])
            img = cv2.resize(img, None, fx=scale, fy=scale)

        gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 尝试局部自适应二值化（对光照不均更鲁棒）
        binary = cv2.adaptiveThreshold(
            gray, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C,
            cv2.THRESH_BINARY_INV, 51, 9
        )

# 轻度去噪
        kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (3,3))
        binary = cv2.morphologyEx(binary, cv2.MORPH_OPEN, kernel, iterations=1)

# ── 连通区域分析 ─────────────────────────────────
        num_labels, labels, stats, _ = cv2.connectedComponentsWithStats(
            binary, connectivity=8
        )

        text_like_count = 0
        total_text_area = 0
        stroke_widths = []

        h, w = gray.shape

for i inrange(1, num_labels):
            x, y, bw, bh, area = stats[i]

if area < 15or area > 8000:
continue

            aspect = bw / max(bh, 1)
            fill_ratio = area / (bw * bh + 1e-6)

ifnot (0.08 < aspect < 8.0):
continue
ifnot (0.25 < fill_ratio < 0.92):
continue
if bw < 5or bh < 5:
continue

            roi = binary[y:y+bh, x:x+bw]
if roi.size == 0:
continue
            dist = cv2.distanceTransform(roi, cv2.DIST_L2, 3)
            max_dist = dist.max()
if max_dist > 0:
                stroke_widths.append(max_dist * 2)

            text_like_count += 1
            total_text_area += area

        edges = cv2.Canny(gray, 60, 180)
        edge_density = np.mean(edges > 0)

if text_like_count > 0:
            local_std = np.std(gray[binary > 0])
else:
            local_std = np.std(gray)

        score_density   = min(text_like_count / 45.0, 1.0)
        score_area      = min(total_text_area / (w * h * 0.018), 1.0)
        score_aspect    = 1.0if3 <= len(stroke_widths) <= 180else0.2
        score_edge      = min(edge_density * 12, 1.0) if edge_density < 0.25else0.0
        score_contrast  = min(local_std / 38.0, 1.0) if local_std > 18else0.0

        confidence = (
            score_density   * 0.30 +
            score_area      * 0.25 +
            score_edge      * 0.15 +
            score_contrast  * 0.20 +
            score_aspect    * 0.10
        )

        has_text = (
            confidence > 0.58and
            text_like_count >= 12and
            total_text_area >= w * h * 0.004and
            (np.mean(stroke_widths) < 18if stroke_widths elseTrue)
        )

        detail = (
f"区域:{text_like_count} | 面积比:{total_text_area/(w*h):.4f} | "
f"边缘:{edge_density:.4f} | 对比:{local_std:.1f} | sw:{np.mean(stroke_widths):.1f}"
if stroke_widths else"无有效笔画宽度"
        )

return {
"has_text": has_text,
"confidence": round(float(confidence), 3),
"edge_density": round(float(edge_density), 4),
"contrast": round(float(local_std), 1),
"text_regions": text_like_count,
"text_area_ratio": round(total_text_area / (w * h), 4),
"detail": detail
        }

except Exception as e:
return {"has_text": False, "confidence": 0, "detail": f"错误: {str(e)}"}


defgenerate_html_report(results: list, root_directory: Path, method: str) -> str:
"""生成 HTML 报告 - 支持显示相对路径"""

    has_text_count = sum(1for r in results if r.get("has_text"))
    no_text_count = len(results) - has_text_count

    html = f"""<!DOCTYPE html>
<html lang="zh-CN">
<head>
    <meta charset="UTF-8">
    <meta name="viewport" content="width=device-width, initial-scale=1.0">
    <title>图片文字检测结果（递归）</title>
    <style>
        * {{ margin: 0; padding: 0; box-sizing: border-box; }}
        body {{ font-family: -apple-system, BlinkMacSystemFont, "Segoe UI", Roboto, sans-serif; background: #f5f5f5; padding: 20px; line-height: 1.6; }}
        .container {{ max-width: 1400px; margin: 0 auto; background: white; border-radius: 8px; box-shadow: 0 2px 8px rgba(0,0,0,0.1); padding: 30px; }}
        h1 {{ color: #333; margin-bottom: 10px; font-size: 24px; }}
        .meta {{ color: #666; font-size: 14px; margin-bottom: 20px; padding-bottom: 15px; border-bottom: 1px solid #eee; }}
        .stats {{ display: flex; gap: 20px; margin-bottom: 25px; }}
        .stat-item {{ flex: 1; background: #f8f9fa; padding: 15px 20px; border-radius: 6px; text-align: center; }}
        .stat-number {{ font-size: 32px; font-weight: bold; color: #1890ff; }}
        .stat-label {{ color: #666; font-size: 14px; margin-top: 5px; }}
        .stat-item.success .stat-number {{ color: #52c41a; }}
        .stat-item.error .stat-number {{ color: #ff4d4f; }}
        table {{ width: 100%; border-collapse: collapse; font-size: 14px; }}
        th {{ background: #fafafa; padding: 12px; text-align: left; font-weight: 600; color: #333; border-bottom: 2px solid #e8e8e8; position: sticky; top: 0; }}
        td {{ padding: 12px; border-bottom: 1px solid #e8e8e8; vertical-align: middle; }}
        tr:hover {{ background: #f5f5f5; }}
        .preview-img {{ width: 120px; height: 80px; object-fit: cover; border-radius: 4px; border: 1px solid #d9d9d9; cursor: pointer; transition: transform 0.2s; }}
        .preview-img:hover {{ transform: scale(2); z-index: 100; box-shadow: 0 4px 12px rgba(0,0,0,0.15); }}
        .status {{ display: inline-block; padding: 4px 12px; border-radius: 12px; font-size: 12px; font-weight: 500; }}
        .status-yes {{ background: #f6ffed; color: #52c41a; border: 1px solid #b7eb8f; }}
        .status-no {{ background: #fff2f0; color: #ff4d4f; border: 1px solid #ffccc7; }}
        .confidence {{ font-weight: 600; color: #1890ff; }}
        .confidence-high {{ color: #52c41a; }}
        .confidence-low {{ color: #ff4d4f; }}
        .detail {{ color: #666; font-size: 12px; max-width: 300px; overflow: hidden; text-overflow: ellipsis; white-space: nowrap; }}
        .detail:hover {{ white-space: normal; word-break: break-all; }}
        .index {{ color: #999; font-size: 12px; }}
        .relpath {{ font-family: monospace; font-size: 12px; color: #333; }}
        @media (max-width: 768px) {{ .container {{ padding: 15px; }} .stats {{ flex-direction: column; }} th, td {{ padding: 8px; font-size: 12px; }} .preview-img {{ width: 80px; height: 60px; }} }}
    </style>
</head>
<body>
    <div class="container">
        <h1>🖼️ 图片文字检测报告（递归子目录）</h1>
        <div class="meta">
            <div>📁 根目录: {root_directory}</div>
            <div>🔍 方法: {method}</div>
            <div>⏰ 生成时间: {datetime.now().strftime('%Y-%m-%d %H:%M:%S')}</div>
        </div>

        <div class="stats">
            <div class="stat-item"><div class="stat-number">{len(results)}</div><div class="stat-label">总图片数</div></div>
            <div class="stat-item success"><div class="stat-number">{has_text_count}</div><div class="stat-label">有文字</div></div>
            <div class="stat-item error"><div class="stat-number">{no_text_count}</div><div class="stat-label">无文字</div></div>
        </div>

        <table>
            <thead>
                <tr>
                    <th style="width: 50px;">#</th>
                    <th style="width: 140px;">预览</th>
                    <th>相对路径 / 文件名</th>
                    <th style="width: 100px;">结果</th>
                    <th style="width: 100px;">置信度</th>
                    <th>详细信息</th>
                </tr>
            </thead>
            <tbody>
"""

for i, r inenumerate(results, 1):
        img_base64 = image_to_base64(Path(r["path"]))
        img_src = f"data:image/jpeg;base64,{img_base64}"if img_base64 else""

        status_class = "status-yes"if r.get("has_text") else"status-no"
        status_text = "✅ 有文字"if r.get("has_text") else"❌ 无文字"

        conf = r.get("confidence", 0)
        conf_class = "confidence-high"if conf > 0.7else ("confidence-low"if conf < 0.3else"")

        rel_path = str(Path(r["path"]).relative_to(root_directory))

        html += f"""
                <tr>
                    <td class="index">{i}</td>
                    <td>{f'<img src="{img_src}" class="preview-img" alt="预览">'if img_src else'N/A'}</td>
                    <td class="relpath" title="{rel_path}">{rel_path}</td>
                    <td><span class="status {status_class}">{status_text}</span></td>
                    <td class="confidence {conf_class}">{conf:.3f}</td>
                    <td class="detail" title="{r.get('detail', '')}">{r.get('detail', '')}</td>
                </tr>
"""

    html += """
            </tbody>
        </table>
    </div>
</body>
</html>
"""
return html


defprocess_directory(root_dir: Path, method: str = "simple"):
"""递归处理目录及其所有子目录中的图片，并生成 HTML 报告"""

    image_extensions = {'.jpg', '.jpeg', '.png', '.bmp', '.tiff', '.webp'}

# 递归查找所有图片
    images = [
        p for p in root_dir.rglob("*")
if p.is_file() and p.suffix.lower() in image_extensions
    ]
# 按相对路径排序，便于阅读
    images.sort(key=lambda p: str(p.relative_to(root_dir)))

ifnot images:
print(f"❌ 在 {root_dir} 及其子目录中没有找到任何图片")
return

print(f"📁 根目录: {root_dir}")
print(f"🖼️  找到 {len(images)} 张图片（包含所有子目录）")
print(f"🔍 使用方法: {method}")
print("⏳ 正在处理...")

    results = []

for i, img_path inenumerate(images, 1):
print(f"  [{i}/{len(images)}] {img_path.relative_to(root_dir)}", end="\r")

if method == "ocr":
            result = check_text_by_ocr(img_path)
else:
            result = check_text_by_simple_analysis(img_path)

        results.append({
"file": str(img_path.relative_to(root_dir)),  # 相对路径作为标识
"path": str(img_path.absolute()),
"method": method,
            **result
        })

print()  # 换行

# 生成并保存 HTML
    html_content = generate_html_report(results, root_dir, method)

    output_file = root_dir / "text_detection_report_recursive.html"
    output_file.write_text(html_content, encoding='utf-8')

# 统计
    has_text_count = sum(1for r in results if r.get("has_text"))

print("\n" + "=" * 70)
print("📊 检测结果汇总（递归）：")
print(f"   有文字: {has_text_count} 张")
print(f"   无文字: {len(images) - has_text_count} 张")
print(f"   总计: {len(images)} 张")
print("-" * 70)
print(f"📄 HTML 报告已生成: {output_file}")
print(f"🌐 请在浏览器中打开查看（表格显示相对路径）")


defmain():
    default_dir = "/home/michah/桌面/nlp/docu_intel/storage/temp"

    directory = Path(sys.argv[1]) iflen(sys.argv) > 1else Path(default_dir)
    method = sys.argv[2] iflen(sys.argv) > 2else"simple"

if method notin ["simple"]:
print("用法: python check_image_has_text.py [目录] [simple]")
print("  simple : 简单图像分析（快速，无需额外依赖）")
        sys.exit(1)

ifnot directory.is_dir():
print(f"❌ 路径不是目录或不存在: {directory}")
        sys.exit(1)

    process_directory(directory, method)


if __name__ == "__main__":
    main()

四、使用方法

1. 保存为 check_images_text.py

2. 安装依赖（simple 模式只需 opencv）

pip install opencv-python

1. 运行示例

# 扫描当前目录及其子目录（simple 模式）
python check_images_text.py .

# 指定目录 + ocr 模式
python check_images_text.py /path/to/your/folder ocr

运行结束后会在根目录生成 text_detection_report.html，用浏览器打开即可看到完整报告。

五、适用场景 & 局限性

适合场景

• 批量清洗数据集（去除纯图片、无文字 meme）
• 文档/截图/海报快速分类
• 内容审核前过滤明显无文字的图片
• 离线、低资源环境

不适合 / 局限

• 艺术字、极度扭曲文字、极低对比度文字 → 可能漏判
• 极小字号密集文字 → 可能低估
• 需要知道具体文字内容时 → 还是要上 OCR

如果你的场景对准确率要求极高，建议把阈值适当下调（0.58 → 0.52）或结合 OCR 做二次确认。

六、欢迎交流 & 优化

欢迎在评论区留言你的使用场景、误判案例或优化建议～
有真实误判图片也可以发，我可以帮忙针对性调整参数。

喜欢的话点个赞 + 收藏，码字不易，感谢支持！