快捷導(dǎo)航

Python如何基于Tesseract實(shí)現(xiàn)識(shí)別文字功能

更新時(shí)間：2020年06月05日 09:43:17 作者：程序員的人生A

這篇文章主要介紹了Python如何基于Tesseract實(shí)現(xiàn)識(shí)別文字功能,文中通過(guò)示例代碼介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值,需要的朋友可以參考下

機(jī)器視覺(jué)

從Google的無(wú)人駕駛汽車到可以識(shí)別假鈔的自動(dòng)售賣(mài)機(jī)，機(jī)器視覺(jué)一直都是一個(gè)應(yīng)用廣泛且具有深遠(yuǎn)的影響和雄偉的愿景的領(lǐng)域。

這里我們將重點(diǎn)介紹機(jī)器視覺(jué)的一個(gè)分支：文字識(shí)別。介紹如何用一些Python庫(kù)來(lái)識(shí)別和使用在線圖片中的文字。

我們可以很輕松的閱讀圖片里的文字，但是機(jī)器閱讀這些圖片就會(huì)非常困難，利用這種人類用戶可以正常讀取但是大多數(shù)存貯器沒(méi)法讀取的圖片，這時(shí)驗(yàn)證碼（CAPTCHA）就出現(xiàn)了。驗(yàn)證碼讀取的難易程序也大不相同。

將圖像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。

OCR庫(kù)概述

在讀取和處理圖像、圖像相差的機(jī)器學(xué)習(xí)以及創(chuàng)建圖像等任務(wù)中，Python一直都是非常出色的語(yǔ)言。雖然有很多庫(kù)可以進(jìn)行圖像處理，但是這里我們只介紹Tesseract庫(kù)。

Tesseract

Tesseract是一個(gè)OCR庫(kù)，目前由Google贊助。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，也可以識(shí)別出任何Unicode字符。

安裝Tesseract：Windows系統(tǒng)

下載可執(zhí)行安裝文件安裝即可。

安裝pytesseract

Tesseract是一個(gè)Python的命令行工具，不是通過(guò)import語(yǔ)句導(dǎo)入的庫(kù)。安裝之后，要用tesseract命令在Python的外面運(yùn)行，但我們可以通過(guò)pip安裝支持Python版本的Tesseract庫(kù)：

pip install pytesseract

處理規(guī)范的文字

你要處理的大多數(shù)文字都是比較干凈、格式規(guī)范的。格式霍英東的文字通常具有以下特點(diǎn)：

使用統(tǒng)一的標(biāo)準(zhǔn)字體（不包含手寫(xiě)體、草書(shū)或者十分“花哨”的字體），復(fù)印或者拍照但是字體清晰、沒(méi)有多余的痕跡或者污點(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。

文字的一些格式問(wèn)題在圖片預(yù)處理時(shí)可以進(jìn)行解決。例如，可以把圖片轉(zhuǎn)換成灰度圖，調(diào)整亮度和對(duì)比度，還可以根據(jù)需要進(jìn)行裁剪和旋轉(zhuǎn)，在這里不作介紹。

示例：

英文：

F:DE209_F>tesseract english.jpg text
Tesseract Open Source OCR Engine v4.00.00alpha with Leptonica
 
F:DE209_F>type text.txt
This is some text, written in Arial, that will be read by
Tesseract. Here are some symbols: !@#$%"&*()

識(shí)別結(jié)果的準(zhǔn)確率還是挺高的。

通過(guò)Python代碼實(shí)現(xiàn)

英文：

中文：

#!/usr/bin/python3
# -*- coding:utf-8 -*- 
import pytesseract
from PIL import Image
 
# 打開(kāi)圖像：英文
image = Image.open('english.jpg')
 
# OCR識(shí)別：lang默認(rèn)英文
text = pytesseract.image_to_string(image)
 
# 打印識(shí)別后的文本
print(text)
 
# 我是分割線
print("*" * 30)
 
# 打開(kāi)圖像：英文
image = Image.open('china.png')
 
# OCR識(shí)別：lang指定中文
text = pytesseract.image_to_string(image, lang = 'chi_sim')
 
# 打印識(shí)別后的文本
print(text)

運(yùn)行結(jié)果：

This is some text, written in Arial, that will be read by
Tesseract. Here are some symbols: !@#$%"&*()
******************************
中 華 人 民 共 和 國(guó)

以上就是本文的全部?jī)?nèi)容，希望對(duì)大家的學(xué)習(xí)有所幫助，也希望大家多多支持腳本之家。

您可能感興趣的文章: