快捷導(dǎo)航

Python圖像處理之圖片文字識(shí)別功能（OCR)

更新時(shí)間：2019年07月30日 10:10:06 作者：菜市口的少年

Tesseract 是一個(gè)OCR 庫(kù)，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）。這篇文章主要介紹了Python圖像處理之圖片文字識(shí)別功能 OCR的相關(guān)知識(shí),需要的朋友可以參考下

OCR與Tesseract介紹

將圖片翻譯成文字一般被稱為光學(xué)文字識(shí)別（Optical Character Recognition，OCR）?？梢詫?shí)現(xiàn)OCR 的底層庫(kù)并不多，目前很多庫(kù)都是使用共同的幾個(gè)底層OCR 庫(kù)，或者是在上面進(jìn)行定制。

Tesseract 是一個(gè)OCR 庫(kù)，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(kāi)源OCR 系統(tǒng)。
除

了極高的精確度，Tesseract 也具有很高的靈活性。它可以通過(guò)訓(xùn)練識(shí)別出任何字體（只要這些字體的風(fēng)格保持不變就可以），也可以識(shí)別出任何Unicode 字符。

Tesseract的安裝與使用

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。

Linux 用戶可以通過(guò)apt-get 安裝：

$sudo apt-get tesseract-ocr

用Tesseract可以識(shí)別格式規(guī)范的文字，主要具有以下特點(diǎn)：

• 使用一個(gè)標(biāo)準(zhǔn)字體（不包含手寫體、草書，或者十分“花哨的”字體）
• 雖然被復(fù)印或拍照，字體還是很清晰，沒(méi)有多余的痕跡或污點(diǎn)
• 排列整齊，沒(méi)有歪歪斜斜的字
• 沒(méi)有超出圖片范圍，也沒(méi)有殘缺不全，或緊緊貼在圖片的邊緣

下面將給出幾個(gè)tesseract識(shí)別圖片中文字的例子。

首先是E://figures/other/poems.jpg, 輸入命令 tesseract E://figures/other/poems.jpg E://figures/other/poems.txt，則會(huì)將poems.jpg中的識(shí)別文字寫入到poems.txt中，如下圖：

接著是稍微有點(diǎn)傾斜的文字圖片th.jpg,識(shí)別情況如下：

可以看到識(shí)別的情況不如剛才規(guī)范字體的好，但是也能識(shí)別圖片中的大部分字母。
最后是識(shí)別簡(jiǎn)體中文，需要事先安裝簡(jiǎn)體中文語(yǔ)言包，下載地址為： https://github.com/tesseract-ocr/tessdata/find/master/chi_sim.traineddata ,再講chi_sim.traineddata放在C:\Program Files (x86)\Tesseract-OCR\tessdata目錄下。我們以圖片timg.jpg為例：

輸入命令：

tesseract E://figures/other/timg.jpg E://figures/other/timg.txt -l chi_sim

識(shí)別結(jié)果如下：

只識(shí)別錯(cuò)了一個(gè)字，識(shí)別率還是不錯(cuò)的。

最后加一句，Tesseract對(duì)于彩色圖片的識(shí)別效果沒(méi)有黑白圖片的效果好。

pytesseract

pytesseract是Tesseract關(guān)于Python的接口，可以使用pip install pytesseract安裝。安裝完后，就可以使用Python調(diào)用Tesseract了，不過(guò)，你還需要一個(gè)Python的圖片處理模塊，可以安裝pillow.

輸入以下代碼，可以實(shí)現(xiàn)同上述Tesseract命令一樣的效果：

import pytesseract
from PIL import Image
pytesseract.pytesseract.tesseract_cmd = 'C://Program Files (x86)/Tesseract-OCR/tesseract.exe'
text = pytesseract.image_to_string(Image.open('E://figures/other/poems.jpg'))
print(text)

運(yùn)行結(jié)果如下：

總結(jié)

以上所述是小編給大家介紹的Python圖像處理之圖片文字識(shí)別功能（OCR),希望對(duì)大家有所幫助，如果大家有任何疑問(wèn)請(qǐng)給我留言，小編會(huì)及時(shí)回復(fù)大家的。在此也非常感謝大家對(duì)腳本之家網(wǎng)站的支持！
如果你覺(jué)得本文對(duì)你有幫助，歡迎轉(zhuǎn)載，煩請(qǐng)注明出處，謝謝！

您可能感興趣的文章: