安裝 Tesseract OCR

• Tesseract OCR 是一款由 Google 團(tuán)隊(duì)開(kāi)發(fā)的開(kāi)源 OCR（Optical Character Recognition，光學(xué)字符識(shí)別）引擎，用于將圖片、PDF 等格式中的文本轉(zhuǎn)換為可編輯的文本格式。自 1985 年首次發(fā)布以來(lái)，它已經(jīng)經(jīng)歷了多個(gè)版本和改進(jìn)，并成為目前最受歡迎的 OCR 引擎之一。
• Tesseract OCR 支持多種語(yǔ)言，包括英語(yǔ)、中文、日語(yǔ)、俄語(yǔ)等等，而且具有較高的準(zhǔn)確率和穩(wěn)定性，尤其在處理大量文字的場(chǎng)景下表現(xiàn)突出。同時(shí)，該引擎還支持多線程處理，可以有效地提高識(shí)別速度。
• 下載地址:Home · UB-Mannheim/tesseract Wiki (github.com)
• Windows安裝包: https://digi.bib.uni-mannheim.de/tesseract/tesseract-ocr-w64-setup-5.3.1.20230401.exe

注意： 這是Windows64位系統(tǒng)安裝包.

tesseract源碼的GitHub地址:tesseract-ocr/tesseract: Tesseract Open Source OCR Engine ,有能力的可以自行編譯源代碼

安裝過(guò)程

• 雙擊tesseract-ocr-w64-setup-5.3.1.20230401.exe安裝包進(jìn)行安裝

首先是選擇語(yǔ)言界面,默認(rèn)是英文, 沒(méi)有中文,有其他國(guó)家的語(yǔ)言可以選。

• 點(diǎn)Next

• 點(diǎn)I Agree

• 默認(rèn)為這臺(tái)電腦進(jìn)行安裝

• 因?yàn)樾枰?Tesseract OCR 中識(shí)別中文簡(jiǎn)體等非英語(yǔ)文本，所有需要安裝相應(yīng)的語(yǔ)言數(shù)據(jù)。

可以只安裝特定語(yǔ)言, 比如中文簡(jiǎn)體

• 選擇安裝路徑, 比如我選的是D:\Tesseract-OCR，待會(huì)配系統(tǒng)環(huán)境變量可能會(huì)用到這個(gè)安裝路徑。

• 創(chuàng)建快捷圖標(biāo)

• 安裝中

• Next

• Finish

• 可以在開(kāi)始菜單欄中看到Console

• 點(diǎn)進(jìn)去就能直接進(jìn)入控制臺(tái)了

• 輸入:tesseract --help試試

因?yàn)槲覀儾皇侵苯邮褂妹钊ゲ僮鬟@個(gè)tesseract, 而是使用python去操作它, 因此這個(gè)命令行就不用管他, 可以關(guān)掉。接下來(lái)為了讓python能直接使用它， 需要檢查系統(tǒng)的環(huán)境變量有沒(méi)有設(shè)置好。

在Windows操作系統(tǒng)中，環(huán)境變量用于存儲(chǔ)一些系統(tǒng)或用戶自定義的參數(shù)和路徑信息。這些參數(shù)和路徑信息可以幫助操作系統(tǒng)找到系統(tǒng)中安裝的軟件和程序，以便正確地運(yùn)行它們。

• 重新開(kāi)個(gè)命令窗口

輸入tesseract -v查看版本號(hào)，你可能會(huì)出現(xiàn)上面的情況, 就是沒(méi)有配置好系統(tǒng)的環(huán)境變量，那就需要配置環(huán)境變量

配置系統(tǒng)的環(huán)境變量

• 以windows10的電腦為例, 打開(kāi)電腦設(shè)置

• 點(diǎn)擊系統(tǒng), 找到關(guān)于,側(cè)邊有個(gè)高級(jí)系統(tǒng)設(shè)置, 點(diǎn)擊去

• 可以看到環(huán)境變量, 點(diǎn)進(jìn)去

• 找到系統(tǒng)變量中的Path選中, 再點(diǎn)擊編輯

• 進(jìn)入后點(diǎn)擊新建

• 將安裝路徑復(fù)制進(jìn)去,比如我安裝的路徑為D:\Tesseract-OCR

• 復(fù)制進(jìn)去后點(diǎn)擊確認(rèn)

• 重新進(jìn)入到命令行中

輸入tesseract -v, 若出現(xiàn)版本號(hào)則設(shè)置成功

OK， tesseract算是安裝完成了, 接下來(lái)使用python去操作它了!

安裝python的第三方庫(kù)

Pytesseract庫(kù)

• Pytesseract 是一個(gè) Python 的 OCR（Optical Character Recognition，光學(xué)字符識(shí)別）庫(kù)，可以用來(lái)將圖片、PDF 等文件中的文本轉(zhuǎn)換為可編輯的文本格式。它基于 Google 的 Tesseract OCR 引擎，支持多種語(yǔ)言，并且具有較高的準(zhǔn)確率和穩(wěn)定性。
• 安裝 Pytesseract 庫(kù)可以使用 pip 工具快速完成。按照以下步驟進(jìn)行操作：
  • 打開(kāi)命令行工具（Windows: cmd，Linux/macOS: Terminal）。
  • 輸入以下命令來(lái)安裝 Pytesseract：

pip install pytesseract

• 等待安裝完成即可。

有一點(diǎn)需要注意的是，Pytesseract 庫(kù)依賴于 Tesseract OCR 引擎，因此在安裝 Pytesseract 之前請(qǐng)確保已安裝 Tesseract OCR。如果還沒(méi)有安裝 Tesseract OCR，請(qǐng)先下載和安裝它，然后再安裝 Pytesseract。

• 可以使用pip list 命令列出你已經(jīng)安裝的python庫(kù)

Pillow庫(kù)

• Pillow 是一個(gè)功能強(qiáng)大的圖像處理庫(kù)，可以處理多種格式的圖像文件，支持圖像處理、圖像增強(qiáng)、圖像轉(zhuǎn)換等多種操作。
• 因?yàn)樽R(shí)別圖片需要用到PIL（Python Imaging Library）庫(kù)中的 Image 模塊

使用 pip 工具來(lái)安裝 Pillow 庫(kù)。以下是安裝 Pillow 庫(kù)的命令：

pip install pillow

安裝完成后，就可以在 Python 中使用 from PIL import Image 來(lái)進(jìn)行圖像處理和操作了。

運(yùn)行個(gè)demo

比如識(shí)別這張圖

import pytesseract
from PIL import Image

# 加載圖片
img = Image.open('images/demo.png')

# 轉(zhuǎn)換為灰度圖像
img = img.convert('L')

# 識(shí)別文本, 使用pytesseract庫(kù)進(jìn)行OCR識(shí)別
text = pytesseract.image_to_string(img)

# 輸出識(shí)別結(jié)果
print(text)

注意: 默認(rèn)識(shí)別英文和數(shù)字

識(shí)別效果:

因?yàn)槎际侵形? 識(shí)別不出來(lái)

• 若要識(shí)別中文, 得進(jìn)行配置 (前提是安裝tesseract時(shí)要選擇下載好中文簡(jiǎn)體數(shù)據(jù)包才能進(jìn)行使用)

import pytesseract
from PIL import Image

# 加載圖片
img = Image.open('images/demo.png')

# 轉(zhuǎn)換為灰度圖像
img = img.convert('L')

# 識(shí)別文本, 使用pytesseract庫(kù)進(jìn)行OCR識(shí)別, 將語(yǔ)言設(shè)置成中文
text = pytesseract.image_to_string(img, lang='chi_sim')
# 輸出識(shí)別結(jié)果
print(text)

這個(gè)識(shí)別的正確率還可以, 這取決于圖片的質(zhì)量和文字的清晰規(guī)整程度

OK， 上述只是簡(jiǎn)單的小例子，更多用法可以自行探索， 還可以設(shè)置其他參數(shù)來(lái)提高文字的識(shí)別正確率！

• 使用說(shuō)明文檔https://github.com/madmaze/pytesseract/blob/master/README.rst

比如下面是官方的說(shuō)明例子:

from PIL import Image

import pytesseract

# 如果您的PATH中沒(méi)有tesseract可執(zhí)行文件，請(qǐng)包括以下內(nèi)容:
pytesseract.pytesseract.tesseract_cmd = r'<full_path_to_your_tesseract_executable>'
# 示例 tesseract_cmd = r'C:\Program Files (x86)\Tesseract-OCR\tesseract'

# 簡(jiǎn)單的圖像轉(zhuǎn)字符串
print(pytesseract.image_to_string(Image.open('test.png')))

# 為了繞過(guò)pytesseract的圖像轉(zhuǎn)換，只需使用相對(duì)或絕對(duì)圖像路徑
# 注意:在這種情況下，您應(yīng)該提供tesseract支持的圖像，否則tesseract將返回錯(cuò)誤
print(pytesseract.image_to_string('test.png'))

# 可用語(yǔ)言列表
print(pytesseract.get_languages(config=''))

# 將法語(yǔ)文本圖像轉(zhuǎn)換為字符串
print(pytesseract.image_to_string(Image.open('test-european.jpg'), lang='fra'))

# 使用包含多個(gè)圖像文件路徑列表的單個(gè)文件進(jìn)行批處理
print(pytesseract.image_to_string('images.txt'))

# 在一段時(shí)間后超時(shí)/終止tesseract作業(yè)
try:
    print(pytesseract.image_to_string('test.jpg', timeout=2)) # 在2秒后超時(shí)
    print(pytesseract.image_to_string('test.jpg', timeout=0.5)) # 半秒后超時(shí)
except RuntimeError as timeout_error:
    # tesseract處理已終止
    pass

# 獲取邊界框估計(jì)
print(pytesseract.image_to_boxes(Image.open('test.png')))

# 獲取詳細(xì)數(shù)據(jù)，包括框、置信度、行和頁(yè)碼
print(pytesseract.image_to_data(Image.open('test.png')))

# 獲取有關(guān)方向和腳本檢測(cè)的信息
print(pytesseract.image_to_osd(Image.open('test.png')))

# 獲取可搜索的PDF
pdf = pytesseract.image_to_pdf_or_hocr('test.png', extension='pdf')
with open('test.pdf', 'w+b') as f:
    f.write(pdf) # pdf類型默認(rèn)為bytes

# 獲取HOCR輸出
hocr = pytesseract.image_to_pdf_or_hocr('test.png', extension='hocr')

# 獲取ALTO XML輸出
xml = pytesseract.image_to_alto_xml('test.png')

以上就是使用python進(jìn)行圖片的文字識(shí)別詳細(xì)代碼的詳細(xì)內(nèi)容，更多關(guān)于python 圖片文字識(shí)別的資料請(qǐng)關(guān)注腳本之家其它相關(guān)文章！

最新評(píng)論