快捷導(dǎo)航

初探利用Python進(jìn)行圖文識別(OCR)

更新時(shí)間：2019年02月26日 15:20:10 作者：Max老白Gān丶

這篇文章主要介紹了初探利用Python進(jìn)行圖文識別(OCR),小編覺得挺不錯(cuò)的，現(xiàn)在分享給大家，也給大家做個(gè)參考。一起跟隨小編過來看看吧

話說什么是OCR？？？？？

簡介

OCR技術(shù)是光學(xué)字符識別的縮寫(Optical Character Recognition)，是通過掃描等光學(xué)輸入方式將各種票據(jù)、報(bào)刊、書籍、文稿及其它印刷品的文字轉(zhuǎn)化為圖像信息，再利用文字識別技術(shù)將圖像信息轉(zhuǎn)化為可以使用的計(jì)算機(jī)輸入技術(shù)?？蓱?yīng)用于銀行票據(jù)、大量文字資料、檔案卷宗、文案的錄入和處理領(lǐng)域。適合于銀行、稅務(wù)等行業(yè)大量票據(jù)表格的自動掃描識別及長期存儲。相對一般文本，通常以最終識別率、識別速度、版面理解正確率及版面還原滿意度4個(gè)方面作為OCR技術(shù)的評測依據(jù)；而相對于表格及票據(jù)，通常以識別率或整張通過率及識別速度為測定OCR技術(shù)的實(shí)用標(biāo)準(zhǔn)。

解析

采用OCR識別技術(shù),可以將其應(yīng)用于銀行票據(jù)光盤縮微系統(tǒng)，可以自動提取票據(jù)要素，可減輕操作員的工作量，減少重復(fù)勞動，尤其是在與銀行事后且監(jiān)督系統(tǒng)相結(jié)合后，可以替代原先的操作人員完成事后監(jiān)督工作。由計(jì)算機(jī)自動識別票據(jù)上的日期、帳號、金額等要素，通過銀行事后監(jiān)督系統(tǒng)與業(yè)務(wù)系統(tǒng)中的數(shù)據(jù)進(jìn)行比較，完成傳統(tǒng)的事后監(jiān)督操作；配有印章驗(yàn)證系統(tǒng)后，自動將憑證圖像中的印章與系統(tǒng)中預(yù)留的印鑒進(jìn)行比較，完成印章的真?zhèn)巫R別。

OCR識別技術(shù)不僅具有可以自動判斷、拆分、識別和還原各種通用型印刷體表格，在表格理解上做出了令人滿意的實(shí)用結(jié)果，能夠自動分析文稿的版面布局，自動分欄、并判斷出標(biāo)題、橫欄、圖像、表格等相應(yīng)屬性，并判定識別順序，能將識別結(jié)果還原成與掃描文稿的版面布局一致的新文本。表格自動錄入技術(shù)，可自動識別特定表格的印刷或打印漢字、字母、數(shù)字，可識別手寫體漢字、手寫體字母、數(shù)字及多種手寫符號，并按表格格式輸出。提高了表格錄入效率，可節(jié)省大量人力。同時(shí)支持將表格識別直接還原成PTF、PDF、HTML等格式文檔；并可以對圖像嵌入橫排文本和豎排文本、表格文本進(jìn)行自動排版面分析?！　±媚壳暗母咝录夹g(shù)-OCR，直接從憑證影像中提取金額、帳號等重要數(shù)據(jù)，代替人的手工錄入，與條碼識別/流水識別緊密結(jié)合，實(shí)現(xiàn)建立事后副本帳、完成事后監(jiān)督的工作。OCR處理一般使用性能較好的PC機(jī)，OCR處理程序一經(jīng)啟動會自動掃描數(shù)據(jù)庫中的憑證影像，發(fā)現(xiàn)有需OCR處理而未處理的，提取到本地進(jìn)行處理?！　　?/p>

OCR手寫體、印刷體識別技術(shù)，能識別不同人寫的千差萬別的手寫體漢字和數(shù)字，應(yīng)用于本系統(tǒng)，識別憑證影像中儲戶填寫的信息，如大寫金額、小寫金額、帳號、存期、日期、證件號等，可以代替手工錄入。同時(shí)被識別得出的金額還要與流水識別所得的金額進(jìn)行核對，核對成功，則OCR識別成功。這樣處理是為了避免誤判?！　　?/p>

經(jīng)過對銀行產(chǎn)生的實(shí)際憑證進(jìn)行的大量測試，在實(shí)際開發(fā)過程中，根據(jù)銀行的實(shí)際需求，OCR技術(shù)在票據(jù)和表格識別能力和手寫體自動識別能力上不斷提升，目前處理速度可達(dá)到每分鐘60～80張票據(jù)，存折識別率已經(jīng)達(dá)到了85%以上，存單、憑條識別率達(dá)到90%以上，而85%以上的識別率就能減少80%以上的數(shù)據(jù)錄入員。

在檔案領(lǐng)域OCR技術(shù)使檔案掃描成果達(dá)到了全文可識別，將檔案數(shù)字化發(fā)展提升了到了一個(gè)新的階段，是原本掃描出來的圖片變得更容易進(jìn)行檢索，為數(shù)字檔案館的數(shù)據(jù)查詢提供了技術(shù)支持，是檔案數(shù)字化發(fā)展中必不可少的一環(huán)。

以上來自百度百科哈哈哈哈哈??！

相關(guān)的工具：Tesseract

Tesseract概述：

Tesseract 是一個(gè)OCR庫，目前由Google贊助（Google也是一家以O(shè)CR和機(jī)器學(xué)習(xí)技術(shù)聞名于世的公司）。Tesseract是目前公認(rèn)最優(yōu)秀、最精確的開源OCR系統(tǒng)。

Tesseract的Windows安裝包下載地址為：http://digi.bib.uni-mannheim.de/tesseract/tesseract-ocr-setup-4.00.00dev.exe，下載后雙擊直接安裝即可。安裝完后，需要將Tesseract添加到系統(tǒng)變量中。在CMD中輸入tesseract-v,如顯示以下界面，則表示Tesseract安裝完成且添加到系統(tǒng)變量中。

配置完成后在命令行輸入tesseract -v，如果出現(xiàn)如下圖所示，說明環(huán)境變量配置成功

命令使用： tesseract C://Users\lenovo\Desktop\Tesseract-OCR\233.jpg C://Users\lenovo\Desktop\Tesseract-OCR\Max.txt，則會將233.jpg中的識別文字寫入到Max.txt一執(zhí)行報(bào)錯(cuò)？？？什么情況？

后來我找了一些資料來看上面的意思就是說不能加載'eng'語言包。請將tessdata的父文件夾路徑設(shè)置為TESSDATA_PREFIX環(huán)境變量值，這個(gè)就是說在環(huán)境變量中新建一個(gè)系統(tǒng)變量，變量名稱為TESSDATA_PREFIX，tessdata是放置語言包的文件夾，一般在你安裝tesseract的目錄下，即tesseract的安裝目錄就是tessdata的父目錄，把ESSDATA_PREFIX的值設(shè)置為它就沒問題了