python實戰(zhàn)教程之OCR文字識別方法匯總
將圖片翻譯成文字一般被稱為光學文字識別(Optical Character Recognition,OCR)。可以實現(xiàn)OCR 的底層庫并不多,目前很多庫都是使用共同的幾個底層OCR 庫,或者是在上面進行定制。
方法一: 使用easyocr模塊
easyocr是基于torch的深度學習模塊
easyocr安裝后調用過程中出現(xiàn)opencv版本不兼容問題,所以放棄此方案。
方法二:通過pytesseract調用tesseract
優(yōu)點:部署快,輕量級,離線可用,免費
缺點:自帶的中文庫識別率較低,需要自己建數(shù)據(jù)進行訓練
Tesseract 是一個OCR 庫,目前由Google 贊助(Google 也是一家以OCR 和機器學習技術聞名于世的公司)。Tesseract 是目前公認最優(yōu)秀、最精確的開源OCR 系統(tǒng)。
除了極高的精確度,Tesseract 也具有很高的靈活性。它可以通過訓練識別出任何字體(只要這些字體的風格保持不變就可以),也可以識別出任何Unicode 字符。
Tesseract的安裝與使用
python 識別圖片上的數(shù)字,使用pytesseract庫從圖像中提取文本,而識別引擎采用 tesseract-ocr。
pytesseract是python包裝器,它為可執(zhí)行文件提供了pythonic API。
1、安裝必要的包:
pip install pillow pip install pytesseract
2、安裝tesseract-ocr的識別引擎
最新版本下載地址: https://github.com/UB-Mannheim/tesseract/wiki
或者更多版本的tesseract下載地址:https://digi.bib.uni-mannheim.de/tesseract/
安裝完后,需要將Tesseract添加到系統(tǒng)變量中。
環(huán)境變量: 我的電腦 ->屬性 -> 高級系統(tǒng)設置 ->環(huán)境變量 ->系統(tǒng)變量 ,在 path 中添加 安裝路徑。
并將訓練好的模型文件 chi_sim.traineddata 放入該目錄中,這樣安裝就完成了。
在命令行 WIN+R 輸入cmd :輸入 tesseract -v ,出現(xiàn)版本信息,則配置成功。
tesseract-ocr默認不支持中文識別。支持中文識別.png
3、解決pytesseract 找不到路徑的問題。
在自己安裝的pytesseract包中,找到pytesseract.py文件
打開pytesseract.py文件,修改 tesseract_cmd 的值:tesseract.exe 的安裝路徑 。
為了避免其他的錯誤,使用雙反斜杠,或者斜杠
4、簡單使用
import pytesseract from PIL import Image if __name__ == '__main__': text = pytesseract.image_to_string(Image.open("D:\\test.png"),lang="eng") # 如果你想試試Tesseract識別中文,只需要將代碼中的eng改為chi_sim即可 print(text)
測試圖片:
輸出結果:
用Tesseract可以識別格式規(guī)范的文字,主要具有以下特點:
- 使用一個標準字體(不包含手寫體、草書,或者十分“花哨的”字體)
- 雖然被復印或拍照,字體還是很清晰,沒有多余的痕跡或污點
- 排列整齊,沒有歪歪斜斜的字
- 沒有超出圖片范圍,也沒有殘缺不全,或緊緊貼在圖片的邊緣
下面將給出幾個tesseract識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, 則會將poems.jpg中的識別文字寫入到poems.txt中,如下圖:
接著是稍微有點傾斜的文字圖片th.jpg,識別情況如下:
可以看到識別的情況不如剛才規(guī)范字體的好,但是也能識別圖片中的大部分字母。
最后是識別簡體中文,需要事先安裝簡體中文語言包,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
識別結果如下:
只識別錯了一個字,識別率還是不錯的。
最后加一句,Tesseract對于彩色圖片的識別效果沒有黑白圖片的效果好。
pytesseract
pytesseract是Tesseract關于Python的接口,可以使用pip install pytesseract安裝。安裝完后,就可以使用Python調用Tesseract了,不過,你還需要一個Python的圖片處理模塊,可以安裝pillow.
輸入以下代碼,可以實現(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)
運行結果如下:
cnocr 第二種 Python 開源識別工具的效果
兩個工具的使用方法和對比效果。
安裝 cnocr:
pip install cnocr
看到 Successfully installed xxx 則說明安裝成功。
如果你只想對圖片中的中文進行識別,那么 cnocr 是一個不錯的選擇,你只需要安裝 cnocr 包即可。
但如果你想試試其他語言的OCR識別,Tesseract 是更好的選擇。
cnocr 識別圖片的中文
cnocr 主要針對的是排版簡單的印刷體文字圖片,如截圖圖片,掃描件等。目前內置的文字檢測和分行模塊無法處理復雜的文字排版定位。
盡管它分別提供了單行識別函數(shù)和多行識別函數(shù),但在本人實測下,單行識別函數(shù)的效果非常糟糕,或者說要求的條件十分苛刻,基本上連截圖的文字都識別不出來。
不過多行識別函數(shù)還不錯,使用該函數(shù)識別的代碼如下:
from cnocr import CnOcr ocr = CnOcr() res = ocr.ocr('test.png') print("Predicted Chars:", res)
用于識別這個圖片里的文字:
效果如下:
如果不是很吹毛求疵,這樣的效果已經(jīng)很不錯了。
方法三:調用百度API
優(yōu)點:使用方便,功能強大
缺點:大量使用需要收費
我自己采用的是調用百度API的方式,下面是我的步驟:
注冊百度賬號,創(chuàng)建OCR應用可以參考其他教程。
購買后使用python調用方法
方式一: 通過urllib直接調用,替換自己的api_key和secret_key即可
# coding=utf-8 import sys import json import base64 # 保證兼容python2以及python3 IS_PY3 = sys.version_info.major == 3 if IS_PY3: from urllib.request import urlopen from urllib.request import Request from urllib.error import URLError from urllib.parse import urlencode from urllib.parse import quote_plus else: import urllib2 from urllib import quote_plus from urllib2 import urlopen from urllib2 import Request from urllib2 import URLError from urllib import urlencode # 防止https證書校驗不正確 import ssl ssl._create_default_https_context = ssl._create_unverified_context API_KEY = 'YsZKG1wha34PlDOPYaIrIIKO' SECRET_KEY = 'HPRZtdOHrdnnETVsZM2Nx7vbDkMfxrkD' OCR_URL = "https://aip.baidubce.com/rest/2.0/ocr/v1/accurate_basic" """ TOKEN start """ TOKEN_URL = 'https://aip.baidubce.com/oauth/2.0/token' """ 獲取token """ def fetch_token(): params = {'grant_type': 'client_credentials', 'client_id': API_KEY, 'client_secret': SECRET_KEY} post_data = urlencode(params) if (IS_PY3): post_data = post_data.encode('utf-8') req = Request(TOKEN_URL, post_data) try: f = urlopen(req, timeout=5) result_str = f.read() except URLError as err: print(err) if (IS_PY3): result_str = result_str.decode() result = json.loads(result_str) if ('access_token' in result.keys() and 'scope' in result.keys()): if not 'brain_all_scope' in result['scope'].split(' '): print ('please ensure has check the ability') exit() return result['access_token'] else: print ('please overwrite the correct API_KEY and SECRET_KEY') exit() """ 讀取文件 """ def read_file(image_path): f = None try: f = open(image_path, 'rb') return f.read() except: print('read image file fail') return None finally: if f: f.close() """ 調用遠程服務 """ def request(url, data): req = Request(url, data.encode('utf-8')) has_error = False try: f = urlopen(req) result_str = f.read() if (IS_PY3): result_str = result_str.decode() return result_str except URLError as err: print(err) if __name__ == '__main__': # 獲取access token token = fetch_token() # 拼接通用文字識別高精度url image_url = OCR_URL + "?access_token=" + token text = "" # 讀取測試圖片 file_content = read_file('test.jpg') # 調用文字識別服務 result = request(image_url, urlencode({'image': base64.b64encode(file_content)})) # 解析返回結果 result_json = json.loads(result) print(result_json) for words_result in result_json["words_result"]: text = text + words_result["words"] # 打印文字 print(text)
方式二:通過HTTP-SDK模塊進行調用
from aip import AipOcr APP_ID = '25**9878' API_KEY = 'VGT8y***EBf2O8xNRxyHrPNr' SECRET_KEY = 'ckDyzG*****N3t0MTgvyYaKUnSl6fSw' client = AipOcr(APP_ID,API_KEY,SECRET_KEY) def get_file_content(filePath): with open(filePath, 'rb') as fp: return fp.read() image = get_file_content('test.jpg') res = client.basicGeneral(image) print(res) #res = client.basicAccurate(image) #print(res)
直接識別屏幕指定區(qū)域上的文字
from aip import AipOcr APP_ID = '25**9878' API_KEY = 'VGT8y***EBf2O8xNRxyHrPNr' SECRET_KEY = 'ckDyzG*****N3t0MTgvyYaKUnSl6fSw' client = AipOcr(APP_ID,API_KEY,SECRET_KEY) from io import BytesIO from PIL import ImageGrab out_buffer = BytesIO() img = ImageGrab.grab((100,200,300,400)) img.save(out_buffer,format='PNG') res = client.basicGeneral(out_buffer.getvalue()) print(res)
總結
到此這篇關于python實戰(zhàn)教程之OCR文字識別方法的文章就介紹到這了,更多相關python OCR文字識別內容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關文章希望大家以后多多支持腳本之家!
相關文章
基于python的selenium全網(wǎng)最新超詳細教程
這篇文章主要介紹了基于python的selenium全網(wǎng)最新超詳細教程,本文內容比較長,結合實例代碼給大家講解的非常詳細,需要的朋友可以參考下2023-12-12python實現(xiàn)美團訂單推送到測試環(huán)境,提供便利操作示例
這篇文章主要介紹了python實現(xiàn)美團訂單推送到測試環(huán)境,提供便利操作,涉及Python基于requests模塊的網(wǎng)絡請求與數(shù)據(jù)處理相關操作技巧,需要的朋友可以參考下2019-08-08python保存字典數(shù)據(jù)到csv文件的完整代碼
在實際數(shù)據(jù)分析過程中,我們分析用Python來處理數(shù)據(jù)(海量的數(shù)據(jù)),我們都是把這個數(shù)據(jù)轉換為Python的對象的,比如最為常見的字典,下面這篇文章主要給大家介紹了關于python保存字典數(shù)據(jù)到csv的相關資料,需要的朋友可以參考下2022-06-06python實現(xiàn)批量注冊網(wǎng)站用戶的示例
今天小編就為大家分享一篇python實現(xiàn)批量注冊網(wǎng)站用戶的示例,具有很好的參考價值,希望對大家有所幫助。一起跟隨小編過來看看吧2019-02-02