深入學習使用ocr算法識別圖片中文字的方法
公司有個需求，簡單點說需要從一張圖片中識別出中文，通過python來實現，當然其他程序也行，只要能實現，而小編主要學習python，所以就提了python。一個小白在網上遨遊了一天，終於找到一絲絲思緒，特意在此分享，希望大神提出寶貴的意見。
今天還是在學習OCR算法中，但是好像自己摸索確實比較難一點，而且python實現圖片中文識別的方法還是不多，所以我打算記錄一下自己學習的過程。今天看到一個菜鳥都可以用的開源項目，那就是OCR開源項目tesseract，可能對於還是菜鳥的我來說，最好不過了，可以試試此項目，還可以看看源碼，何樂而不為呢！
OCR開源項目很多，給大家一個鏈接，這個鏈接列出了現有的比較出名的OCR開源項目，鏈接如下：
https://en.wikipedia.org/wiki/Comparison_of_optical_character_recognition_software
從上面的排名可以看到，Tesseract是排在第一名的！所以下面就認真學習一下Tesseract。首先介紹一下Tesseract，然後安裝，測試，了解其不足等等。
Tesseract的OCR引擎目前已作為開源項目發布在Google Project，
其項目主頁在這裏查看https://github.com/tesseract-ocr，
它支持中文OCR，並提供了一個命令行工具。python中對應的包是
pytesseract. 通過這個工具我們可以識別圖片上的文字。一 Tesseract的安裝測試使用
1.1 小編的開發環境如下：
- windows 7
- python 3.6
- pycharm
1.2 下載安裝包
首先下載Tesseract在Windows下的安裝版。(因為在國外訪問不了谷歌，所以別人FQ下載了下來，這裏給大家百度網盤鏈接)
http://pan.baidu.com/s/1i56Uxlr
根據https://github.com/tesseract-ocr/tesseract/wiki，找到非官方的安裝包，好像只看到64位的安裝包 http://digi.bib.uni-mannheim.de/tesseract/tesseract-ocr-setup-4.00.00dev.exe，下載後直接安裝即可，但是要記得你的安裝目錄，我們等會配置環境變量要用。
如果不是做英文的圖文識別，還需要下載其他語言的識別包https://github.com/tesseract-ocr/tesseract/wiki/Data-Files。
簡體字識別包：https://raw.githubusercontent.com/tesseract-ocr/tessdata/4.00/chi_sim.traineddata
繁體字識別包：https://github.com/tesseract-ocr/tessdata/raw/4.0/chi_tra.traineddata
安裝python對應的包：pytesseract
pip install pytesseract
1.3 安裝Tesseract
下載下來之後一路Next安裝好，然後在開始菜單找到其控制臺引導程序，如下圖所示：
使用Tesseract ocr有兩種方式：
動態庫方式 libtesseract和執行程序方式 tesseract.exe
小編使用的是第二個方式，也方便Python調用（主要是小編比較菜）。
1.4 測試英文字符識別
上面的安裝包裏自帶了已經訓練好的英文-拉丁文識別數據~所以我們先來測試一下英文字符的識別吧~識別圖像如下：
1.4.1 把上面的圖片放到Tesseract的安裝目錄下，如下圖所示：
1.4.2 打開上面提到的控制臺窗口，如下圖所示：
1.4.3 在窗口中輸入命令：“tesseract.exe 0.jpg 1”，並回車，如下圖所示：
01.jpg代表待識別的源文件，1代表輸出文件名，默認輸出格式是txt文件格式！ 註意，上面的 lang之前是-l 而不是-1！
1.4.4 讓我們先查看一下01.jpg照片，如下圖：
1.4.5 在安裝目錄下生成了1.txt文件，識別結果如下圖所示：
既然安裝好了，測試也可以了，我們就進行實戰，做圖像識別。
二 python用tesseract-ocr做圖像識別
雖然說一行代碼可以搞定識別圖片，但是我們需要導入兩個庫，這是別人寫好的封裝好的庫文件。只有導入人家庫，我們才能識別一行代碼實現圖片文字。
- 這裏我們需要用到兩個庫：pytesseract和PIL
- 同時我們還需要安裝識別引擎tesseract-ocr
2.1 pytesseract和PIL的安裝
安裝這兩個包可以借助pip
- 1，命令行安裝 pip install PIL pip install pytesseract - 2，如果你用的pycharm編輯器，就可以直接借助pycharm實現快速安裝。
2.2 大概介紹下相關模塊的概念：
Python-tesseract 是光學字符識別Tesseract OCR引擎的Python封裝類。能夠讀取任何常規的圖片文件(JPG, GIF ,PNG , TIFF等)並解碼成可讀的語言。在OCR處理期間不會創建任何臨文件
PIL （Python Imaging Library）是 Python 中最常用的圖像處理庫，目前版本為 1.1.7，我們可以 在這裏 下載學習和查找資料。
Image 類是 PIL 庫中一個非常重要的類，通過這個類來創建實例可以有直接載入圖像文件，讀取處理過的圖像和通過抓取的方法得到的圖像這三種方法。
python對圖像的處理比較常見的是用pytesseract識別驗證碼，要安裝pytesseract庫，必須先安裝其依賴的PIL及tesseract-ocr，其中PIL為圖像處理庫，而後面的tesseract-ocr則為google的ocr識別引擎。
下載鏈接：http://www.waitalone.cn/python-php-ocr.html
該鏈接文檔描述了如何配置相關環境，以及識別驗證碼的python代碼，
總結起來就三步： 安裝PIL.exe；
安裝tesseract-ocr-setup.exe;
安裝pip install pytesseract
2.3 解決python2.X中PIL在Python3.X中不能使用
目前PIL的官方最新版本為1.1.7，支持的版本為python 2.5, 2.6, 2.7，並不支持python3，經查詢python3.X用pillow代替，進入DOS命令行窗口，敲入以下代碼
pip install pillow
提示安裝成功，再運行程序沒有問題。
2.4 正式識別圖片中的文字（包括簡單的英文和復雜的英文）
2.4.1 下面進入正題，我們識別下面的東西，看圖（兩種情況）：
2.4.2 python代碼如下：
import pytesseract from PIL import Image #打開驗證碼圖片 image = Image.open(‘02.jpg‘) #加載一下圖片防止報錯，此處可以省略 image.load() #調用show來展示圖片，調試用此處可以省略 image.show() text = pytesseract.image_to_string(Image.open(‘02.jpg‘)) print(text)
2.4.3 查看運行結果，運行後，結果如下：
2.4.5 總結
從上面我們可以發現，運行代碼後的結果， 簡單的圖片識別率還是可以的，但是復雜的話 就...，所以希望自己繼續學習，繼續尋找有用的庫。
三 Image模塊的用法介紹（轉）
3.1 簡介
圖像處理是一門應用非常廣的技術，而擁有非常豐富第三方擴展庫的 Python 當然不會錯過這一門盛宴。PIL （Python Imaging Library）是 Python 中最常用的圖像處理庫，目前版本為 1.1.7，我們可以 在這裏 下載學習和查找資料。
Image 類是 PIL 庫中一個非常重要的類，通過這個類來創建實例可以有直接載入圖像文件，讀取處理過的圖像和通過抓取的方法得到的圖像這三種方法。
3.2 使用
導入 Image 模塊。然後通過 Image 類中的 open 方法即可載入一個圖像文件。如果載入文件失敗，則會引起一個 IOError ；若無返回錯誤，則 open 函數返回一個 Image 對象。現在，我們可以通過一些對象屬性來檢查文件內容，即：
1 >>> import Image
2 >>> im = Image.open("j.jpg")
3 >>> print im.format, im.size, im.mode
4 JPEG (440, 330) RGB
這裏有三個屬性，我們逐一了解。
format : 識別圖像的源格式，如果該文件不是從文件中讀取的，則被置為 None 值。
size : 返回的一個元組，有兩個元素，其值為象素意義上的寬和高。
mode : RGB（true color image），此外還有，L（luminance），CMTK（pre-press image）。
3.3 簡單的幾何變化
色彩空間變換。
convert() : 該函數可以用來將圖像轉換為不同色彩模式。
圖像增強。
Filters : 在 ImageFilter 模塊中可以使用 filter 函數來使用模塊中 一系列預定義的增強濾鏡。
>>>out = im.resize((128, 128)) >>>out = im.rotate(45) #逆時針旋轉 45 度角。 >>>out = im.transpose(Image.FLIP_LEFT_RIGHT) #左右對換。 >>>out = im.transpose(Image.FLIP_TOP_BOTTOM) #上下對換。 >>>out = im.transpose(Image.ROTATE_90) #旋轉 90 度角。 >>>out = im.transpose(Image.ROTATE_180) #旋轉 180 度角。 >>>out = im.transpose(Image.ROTATE_270) #旋轉 270 度角。
深入學習使用ocr算法識別圖片中文字的方法