作者: jclian,本人从事Python已一年多,是Python爱好者,喜欢算法,热爱分享,希望能结交更多志同道合的朋友,一起在学习Python的道路上走得更远!
OCR与Tesseract介绍
将图片翻译成文字一般被称为光学文字识别(Optical Character Recognition,OCR)。可以实现OCR 的底层库并不多,目前很多库都是使用共同的几个底层OCR 库,或者是在上面进行定制。
Tesseract 是一个OCR 库,目前由Google 赞助(Google 也是一家以OCR 和机器学习技术闻名于世的公司)。Tesseract 是目前公认最优秀、最精确的开源OCR 系统。
除了极高的精确度,Tesseract 也具有很高的灵活性。它可以通过训练识别出任何字体(只要这些字体的风格保持不变就可以),也可以识别出任何Unicode 字符。
Tesseract的安装与使用
Tesseract的Windows安装包下载地址为:http://digi.bib.uni-mannheim.de/tesseract/tesseract-ocr-setup-4.00.00dev.exe ,下载后双击直接安装即可。安装完后,需要将Tesseract添加到系统变量中。在CMD中输入tesseract -v, 如显示以下界面,则表示Tesseract安装完成且添加到系统变量中。
![image 640?wx_fmt=png](https://i-blog.csdnimg.cn/blog_migrate/e07402ee2af11dee1d755b138b26a0a4.png)
Linux 用户可以通过apt-get 安装:
$sudo apt-get tesseract-ocr
用Tesseract可以识别格式规范的文字,主要具有以下特点:
使用一个标准字体(不包含手写体、草书,或者十分“花哨的”字体
虽然被复印或拍照,字体还是很清晰,没有多余的痕迹或污点
排列整齐,没有歪歪斜斜的字
没有超出图片范围,也没有残缺不全,或紧紧贴在图片的边缘
下面将给出几个tesseract识别图片中文字的例子。
首先是E://figures/other/poems.jpg, 输入命令:tesseract E://figures/other/poems.jpg E://figures/other/poems.txt, 则会将poems.jpg中的识别文字写入到poems.txt中,如下图:
![poems.jpg 640?wx_fmt=jpeg](https://i-blog.csdnimg.cn/blog_migrate/15db29c8d328a66872fb084a2a0e458b.jpeg)
![image 640?wx_fmt=png](https://i-blog.csdnimg.cn/blog_migrate/0d89ed41fda325a936da03e54593abfa.png)
![image 640?wx_fmt=png](https://i-blog.csdnimg.cn/blog_migrate/eef710fd86c8f825adec76672c987b48.png)
接着是稍微有点倾斜的文字图片th.jpg,识别情况如下:
![image 640?wx_fmt=jpeg](https://i-blog.csdnimg.cn/blog_migrate/a5f59e43bc6b73c369a1de54a7e6c044.jpeg)
![image 640?wx_fmt=png](https://i-blog.csdnimg.cn/blog_migrate/01d3bdb8b22319a49a72123a2ef7b2e4.png)
可以看到识别的情况不如刚才规范字体的好,但是也能识别图片中的大部分字母。最后是识别简体中文,需要事先安装简体中文语言包,下载地址为:https://github.com/tesseract-ocr/tessdata/find/master/chi_sim.traineddata ,再讲chi_sim.traineddata放在C:Program Files (x86)Tesseract-OCR essdata目录下。我们以图片timg.jpg为例:
![image 640?wx_fmt=jpeg](https://i-blog.csdnimg.cn/blog_migrate/8c9b9f2e4fcc4f3adbc10d00e320b71e.jpeg)
输入命令:
tesseract E://figures/other/timg.jpg E://figures/other/timg.txt -l chi_sim
识别结果如下:
![image 640?wx_fmt=png](https://i-blog.csdnimg.cn/blog_migrate/21ff405124de23add9167746f1f66219.png)
只识别错了一个字,识别率还是不错的。最后加一句,Tesseract对于彩色图片的识别效果没有黑白图片的效果好。
pytesseract
pytesseract是Tesseract关于Python的接口,可以使用pip install pytesseract安装。安装完后,就可以使用Python调用Tesseract了,不过,你还需要一个Python的图片处理模块,可以安装pillow.
输入以下代码,可以实现同上述Tesseract命令一样的效果:
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)
运行结果(部分)如下:
![image 640?wx_fmt=png](https://i-blog.csdnimg.cn/blog_migrate/a576933304a5d206b61817a30a454c6f.png)
参考文献
《Python网络数据采集》 【美】 Ryan Mitchell 人民邮电出版社
https://blog.csdn.net/dcrmg/article/details/78233459?locationNum=7&fps=1
http://www.inimei.cn/archives/297.html
Python中文社区作为一个去中心化的全球技术社区,以成为全球20万Python中文开发者的精神部落为愿景,目前覆盖各大主流媒体和协作平台,与阿里、腾讯、百度、微软、亚马逊、开源中国、CSDN等业界知名公司和技术社区建立了广泛的联系,拥有来自十多个国家和地区数万名登记会员,会员来自以公安部、工信部、清华大学、北京大学、北京邮电大学、中国人民银行、中科院、中金、华为、BAT、谷歌、微软等为代表的政府机关、科研单位、金融机构以及海内外知名公司,全平台近20万开发者关注。
最近热门
金州勇士4年3冠的成功秘诀!Python数据可视化分析告诉你答案
投稿邮箱:pythonpost@163.com
▼ 点击下方阅读原文,免费成为社区注册会员