【Python例】利用 python 进行图片文字信息的提取 — OCR-EasyOCR
什么是 OCR？
OCR
OCR（Optical character recognition，光学字符识别）是一种将图像中的手写字或者印刷文本转换为机器编码文本的技术。通过数字方式存储文本数据更容易保存和编辑，可以存储大量数据，比如 1G 的硬盘可以存储数百万本书。
OCR 技术可以将图片，纸质文档中的文本转换为数字形式的文本。OCR 过程一般包括以下步骤：
- 图像预处理
- 文本定位
- 字符分割
- 字符识别
- 后处理
使用 python 库实现 OCR
对于 OCR 技术来说 python 实际上是一种对数据的交互接口，核心还是后端的一些数据处理，但是 python 的库实在是太多了，这里罗列一些 python 的 OCR 处理的功能库。
- easyocr
- PaddleOCR
- pytesseract
- 其他
Easyocr
安装
这里使用 pip 工具进行 python 库构 easyocr 的安装，
python3 -m pip install easyocr
测试例子
#!/usr/bin/env python3
# python3 -m pip install easyocr //使用pip工具进行easyocr的安装
import easyocr
import os
# print(os.getcwd())
current_path = os.path.dirname(__file__) # 设置相对路径
print(current_path)
#视屏截图
test_images1 = (current_path+'/source/test_img1.jpg')
#文本pdf截图
test_images2 = (current_path+'/source/test_img2.png')
#路标图片
test_images3 = (current_path+'/source/test_img3.jpg')
#书本拍照图片
test_images4 = (current_path+'/source/test_img4.jpg')
#设置识别中英文两种语言
reader = easyocr.Reader(['ch_sim','en'], gpu = False) # need to run only once to load model into memory
#对有视频截图图片进行测试
# result = reader.readtext((test_images1), detail = 0)
# print(result)
#对于普通pdf文本截图进行测试
# result = reader.readtext((test_images2), detail = 0)
# print(result)
#对于普通pdf文本截图进行测试
# result = reader.readtext((test_images3), detail = 0)
# print(result)
#对于书本的文本照片进行测试
result = reader.readtext((test_images4), detail = 0)
print(result)
运行脚本，运行时间有点长，
对比结果
结果如下：
测试一：
['17:28', '8月10日周三', '100%', '7.3万', '1.', '计算机早期历史-Early Computing', 'R2 90人正在看', '十关注', '篱勺( 跳M飙-', '揠雠h鄙 熊?盥#跳:噩?ia?+(枧?龅 长制靓视', '揠胸人名8 @adles [@@% Ada Lovelace', "@2:20 最f跳['熨篡氍。举例如何用", '@', '@485 C@mUiep (.)减指l肌器', '@45 机罂E轨〈慰8 盥-踯黛器。箭-^邸脚乘除胸Q噩', '@@844 炮剿)武精邋要珧黛酆召召l,查表e [:轰颏:n巅孺贯歃-U「患', '@30 Gailes 66a@9t踮%澄2', '瓷艴谴筹阋。想曲子粝规+8飙恩:圃跳黛视', "@88@ [vease龄e粝飙~孓暇憩翟廓@唾敝 '俭9翩 ", '@@?写 ,回簪9@牢 谗 Hal@men酶o胤冼制患飙)长翅1邑n綮', '翻谮@-魈膨胸2c筝', '徽@ 醮陬皮', '@sh (@wse 崇幕组颛傩', '00:00', '11:53', '选集', '倍速', '1080P', '十']
测试二：
['木克土', '*c币弯', '1-2', '五行相生相克示意图', '2.五行相克', '五行相克。指木。火 士。金 水之间存在着有序的递相克制。制约和抑制的关系。', '五行相克次序是: 木克士。士克水,水克火 火克金 ,金克木。在五行相克关系中,', '任何一行都具有', '\'克我"和 "我克"两方面的关系。', '《内经》把相克关系称为 "所胜"', '"所', '不胜"关系: "克我"者为我 "所不胜", "我克"者为我 "所胜"。因此。五行相克。实际上是五', '行中的某一行对其所胜行的克制和制约。', '如以木为例,', '由于木克士。故 "我克"者为士,', '土', '为木之 "所胜"; 由于金克木。故 "克我"者为金。金为木之 "所不胜"(图1-2)', '木生火一', '火生土', '3', '{', '*', 's', '王克水', '金克术|']
测试三：
['RD.', '酉环 路', 'RD.', '渔婆路', 'YUPO RD。', '安 宁 路', '北 N', '长田岸路', 'CHANGTIANAN', '靖_安 路', 'JIN G AN R0', 'X IHU AN']
测试四：
[
]
['94', '项目: 将带有美囤风格日期的文件改名为欧洲风格日期', '假定你的老板用电子邮件发给你上千个文件,文件名包含美困风格的日期', '(MM-DD-YYYY), 需要将它们改名为欧洲风格的日期', '(DD-MMYYYY)。 手工完', '成这个无聊的任务可能需要几天时间 !让我们写一个程序来完成它。', '下面是程序要做的事:', '检查当前工作目录的所有文件名。寻找美国风格的日期。', '。 :', '如果找到,将该文件改名,交换月份和日期的位置,', '使之成为欧洲风格。', '0', '这意味着代码需要做下面的事情:', "'", '创建一个正则表达式。可以识别美国风格日期的文本模式。', '0', 'U', '调用 os.listdir0, 找出工作目录中的所有文件。', " '-", '循环遍历每个文件名,利用该正则表达式检查它是否包含日期。', '如果它包含日期。用 shutil.move0对该文件改名。', '` 。', '对于这个项目,打开一个新的文件编辑器窗口,将代码保存为 renameDates:py c', '0']
| 序号 | 参考描述 | 结果表述 |
|---|---|---|
| 测试 1 | 视频截图照片 | 标准字符，如时间，标题能识别，带有背景干扰的字体没有很好的识别出来 |
| 测试 2 | PDF 文本截图 | 因为是 pdf 文本所以字体清晰，大多都识别出来了，有少许倒立的字符识别不好 |
| 测试 3 | 交通路牌照片 | 字符识别还行，内容识别效果较好 |
| 测试 4 | 书本内容照片 | 因为书本印刷，会有渗墨，所以造成了一些背景干扰，则有个别字识别不好 |
结论
easyocr 存在一些背景干扰的文字识别正确率的问题，可能需要一些调整，但是对于一些 pdf 等标准数字文档的截图还是可以识别并且进行内容提取的。
PaddleOCR
安装
这里使用 pip 工具进行 python 库构的安装，
python3 -m pip install
并未进行测试
测试例子
#!/usr/bin/env python3
对比结果
锟钅烤锟斤
| 序号 | 参考描述 | 结果表述 |
|---|---|---|
| 测试 1 | 视频截图照片 | 锟钅烤锟斤 |
| 测试 2 | PDF 文本截图 | 锟钅烤锟斤 |
| 测试 3 | 交通路牌照片 | 锟钅烤锟斤 |
| 测试 4 | 书本内容照片 | 锟钅烤锟斤 |
结论
锟钅烤锟斤
pytesseract
安装
这里使用 pip 工具进行 python 库构的安装，
python3 -m pip install
并未进行测试
测试例子
#!/usr/bin/env python3
对比结果
锟钅烤锟斤
| 序号 | 参考描述 | 结果表述 |
|---|---|---|
| 测试 1 | 视频截图照片 | 锟钅烤锟斤 |
| 测试 2 | PDF 文本截图 | 锟钅烤锟斤 |
| 测试 3 | 交通路牌照片 | 锟钅烤锟斤 |
| 测试 4 | 书本内容照片 | 锟钅烤锟斤 |
结论
锟钅烤锟斤
6054
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
