1. 程式人生 > >Python影象處理之圖片文字識別(OCR)

Python影象處理之圖片文字識別(OCR)

OCR與Tesseract介紹

  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OCR 的底層庫並不多,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製。
  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於世的公司)。Tesseract 是目前公認最優秀、最精確的開源OCR 系統。
  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型(只要這些字型的風格保持不變就可以),也可以識別出任何Unicode 字元。

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 ,下載後雙擊直接安裝即可。安裝完後,需要將Tesseract新增到系統變數中。在CMD中輸入tesseract -v, 如顯示以下介面,則表示Tesseract安裝完成且新增到系統變數中。

  Linux 使用者可以通過apt-get 安裝:

$sudo apt-get tesseract-ocr

  用Tesseract可以識別格式規範的文字,主要具有以下特點:

• 使用一個標準字型(不包含手寫體、草書,或者十分“花哨的”字型)
• 雖然被複印或拍照,字型還是很清晰,沒有多餘的痕跡或汙點
• 排列整齊,沒有歪歪斜斜的字
• 沒有超出圖片範圍,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:
poems.jpg


  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範字體的好,但是也能識別圖片中的大部分字母。
  最後是識別簡體中文,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。
  最後加一句,Tesseract對於彩色圖片的識別效果沒有黑白圖片的效果好。

pytesseract

  pytesseract是Tesseract關於Python的介面,可以使用pip install pytesseract安裝。安裝完後,就可以使用Python呼叫Tesseract了,不過,你還需要一個Python的圖片處理模組,可以安裝pillow.
  輸入以下程式碼,可以實現同上述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)

執行結果如下:

參考文獻

注意:本人現已開通兩個微信公眾號: 因為Python(微訊號為:python_math)以及輕鬆學會Python爬蟲(微訊號為:easy_web_scrape), 歡迎大家關注哦~~