【AI测试】python文字图像识别tesseract

最新推荐文章于 2023-12-06 22:27:48 发布
最新推荐文章于 2023-12-06 22:27:48 发布
阅读量296 收藏
点赞数
文章标签： 人工智能 python 开发语言
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_46158060/article/details/132690058
版权

[AI测试]python文字图像识别tesseract

github官网：https://github.com/tesseract-ocr/tesseract

python版本：https://github.com/madmaze/pytesseract

OCR，即Optical Character Recognition，光学字符识别，是指通过扫描字符，然后通过其形状将其翻译成电子文本的过程。对于图形验证码来说，它们都是一些不规则的字符，这些字符确实是由字符稍加扭曲变换得到的内容。

tesseract-OCR是一个开源的OCR引擎，能识别100多种语言，专门用于对图片文字进行识别，并获取文本。但是它的缺点是对手写的识别能力比较差。

Tesseract支持各种图像格式，包括PNG，JPEG和TIFF。

可以识别的语言列表：Languages/Scripts supported in different versions of Tesseract | tessdoc (tesseract-ocr.github.io)

（这么多叉叉把我看迷了）

在这里插入图片描述

下载安装

第一步需要先安装Tesseract OCR引擎

第二步需要安装支持python的pytesseract库及其相关依赖

Tesseract OCR引擎下载

安装Tesseract OCR引擎：pytesseract依赖于Tesseract OCR引擎。

官方文档：Introduction | tessdoc (tesseract-ocr.github.io)

根据官方介绍我们需要知道：

  • 有两个部分需要安装，引擎本身和语言的训练数据。
  • 语言训练的数据包称为“tesseract-ocr-langcode”和“tesseract-ocr-script-scriptcode”，其中langcode 是三个字母的语言代码， scriptcode 是四个字母的脚本代码。
  • 例如：tesseract-ocr-eng（英语），tesseract-ocr-ara（阿拉伯语），tesseract-ocr-chi-sim（简体中文），tesseract-ocr-script-latn（拉丁字母），tesseract-ocr-script-deva（梵文）等。
  • 数据集下载地址：Traineddata Files for Version 4.00 + | tessdoc (tesseract-ocr.github.io)

Mac安装tesseract

1，安装有四种方式：

"安装tesseract， 同时安装训练工具"
brew install --with-training-tools tesseract 

"安装tesseract，同时它还会安装所有语言"
brew install --all-languages tesseract 

"安装附加组件"
brew install --all-languages --with-training-tools tesseract 

"安装tesseract，但是不安装训练工具,一般情况用这种方式就可以"
brew install tesseract

2，安装完tesseract后，进行测试:

tesseract -v

3、安装语言数据集

sudo port install tesseract-<langcode>

支持的语言：https://ports.macports.org/search/?q=tesseract-&name=on

在这里插入图片描述

Windows安装tesseract

1、下载tesseract安装包

  • tesseract安装包下载地址: https://digi.bib.uni-mannheim.de/tesseract/

  • 在这里插入图片描述

  • 注意区分32位和64位

  • 我下载的是目前最新的，可以点击直接下载64位，tesseract-ocr-w64-setup-5.3.1.20230401.exe

  • 网速较慢的可以从我网盘下载

    • 链接：https://pan.baidu.com/s/1B5CyYZ5D5qwCXzZ9dnSGpQ?pwd=mwj6 
提取码：mwj6

2、进行安装

  • （1）双击下载好的exe，建议右键以管理员身份运行

    • 在这里插入图片描述

  • （2）点击next

    • 在这里插入图片描述

  • （3）点击I Agree

    • 在这里插入图片描述

  • （4）根据需要选择，第一个是为这台电脑所有用户下载，第二个是只为当前用户下载

    • 在这里插入图片描述

  • （5）这里是配置语言包下载，可以点开Additional开头的这两个选项查看需要下载的语言，如果只想要中文那就找到Chinese下载就可以了。选好后再点击Next即可。

    • 在这里插入图片描述

  • （6）选择你要安装的路径，注意如果不使用默认路径，后续代码会报FileNotFoundError:[WinError 2]系统找不到指定文件的错误，解决办法就是用tesseract.exe的绝对路径。这里我使用默认路径安装。

    • 在这里插入图片描述

  • （7）点击Install

    • 在这里插入图片描述

  • （8）安装完成后点击Next，再点击Finish

    • 在这里插入图片描述

    • 在这里插入图片描述

2、如果上面你下载语言库失败，你可以用如下官方链接自己下载对应语言库数据，都是几十兆

https://github.com/tesseract-ocr/tessdata_best

  • 网速不好的用这个
链接：https://pan.baidu.com/s/11k5od_fd3_THN2YiGgmH3w?pwd=mwj6 
提取码：mwj6

3、配置环境变量

  • 如果你用的是默认地址，C:\Program Files\Tesseract-OCR，把它加到环境变量中即可

  • 我的电脑(此电脑) -> 右键点击属性 -> 高级系统设置 -> 环境变量 -> 系统环境变量找到Path点进去 -> 新建 -> 输入你的安装地址

  • # 默认安装地址则输入以下内容
C:\Program Files\Tesseract-OCR

4、验证是否安装成功

  • ctrl+R 输入cmd回车
  • 输入tesseract -v,显示出内容就证明成功，如果出现不是内部命令巴拉巴拉的，就说明环境变量没搞好，重新配一下
  • 在这里插入图片描述

安装pytesseract

pip install pytesseract

其他相关依赖安装

pip install opencv-python

pip install pillow

代码demo

from PIL import Image
import pytesseract

im = Image.open('imgs\csdn_homepage.png')

# 识别文字，并指定语言
string = pytesseract.image_to_string(im, lang='chi_sim')
print(string)

对应识别的图片如下：

在这里插入图片描述

运行结果如下：

在这里插入图片描述

看到这识别出来的内容，我头顶上大写的无语，甚至想给电脑一拳！我都写了这么多内容了，你就这？？？

调整思路（无效）

查阅相关资料发现，预下载的中文包是比较小，准确率不高。

通过官网得知，tessdata_best下的语言包识别准确度是最高的，于是我就直接去下载了。

前文也有提到：https://github.com/tesseract-ocr/tessdata_best，网盘链接也在前面了。

在这里插入图片描述

把下载好的包解压，将里面的内容复制到C:\Program Files\Tesseract-OCR\tessdata目录下（先将该目录内容全部删干净）。

之后再去运行代码。

在这里插入图片描述

此处有十几句脏话…

冷静下来，是我能力不足，是我不会训练模型，是我不应该只会捡现成用。

过了几分钟，脏话…

模型训练

可以在网上自己搜资料，参考资料里面我也放了一篇。

模型训练搜索关键词：tesseract-ocr训练方法

我不折腾了，这就是没有根据需求调研好相关资料的下场，看到一个就去莽还莽失败了。

更改方案

大家一定要记住，研究新东西，先调研，再踏进去。

简单的github搜索：

在这里插入图片描述

经过多方面的考察，发现：

Tesseract OCR

  • 优点：支持补充训练
  • 缺点：中文识别巨差！巨差！（暴躁怒吼声）

EasyOCR

  • 优点：ocr识别还可以，优于一般开源模型
  • 缺点：识别速度很慢，不支持训练

Paddle OCR

  • 优点：可以补充训练，ocr识别效果好，执行速度快，文档齐全，资料多
  • 缺点：偶尔会出现部分内容丢失的情况

CnOCR

  • 优点:支持训练自己的模型,执行速度快，识别效果也不错
  • 缺点：训练比PaddleOCR麻烦,极少更新维护

已有代码

虽然失败了，但是相关代码还是放出来，给有需要的小伙伴使用。

只拿取文字(官方代码)

import cv2
import pytesseract
from PIL import Image

im = 'imgs\csdn_homepage.png'

img_cv = cv2.imread(im)
# By default OpenCV stores images in BGR format and since pytesseract assumes RGB format,
# we need to convert from BGR to RGB format/mode:
img_rgb = cv2.cvtColor(img_cv, cv2.COLOR_BGR2RGB)
print(pytesseract.image_to_string(img_rgb, lang='chi_sim'))
# OR
img_rgb = Image.frombytes('RGB', img_cv.shape[:2], img_cv, 'raw', 'BGR', 0, 0)
print(pytesseract.image_to_string(img_rgb, lang='chi_sim'))

(输出的内容很惨，还有大量文字丢失)

识别文字并返回对应坐标

# -*- coding: utf-8 -*-
'''
@Time : 2023/8/18 13:01
@Email : Lvan826199@163.com
@公众号 : 梦无矶的测试开发之路
@File : python文字识别.py
'''
__author__ = "梦无矶小仔"

import cv2
import pytesseract

# 设置语言数据
# 下面一行代码很重要
tessdata_dir_config = '--tessdata-dir "C:\Program Files\Tesseract-OCR\\tessdata"'

# 1、加载并预处理图像
image = cv2.imread('imgs\csdn_homepage.png')  # 替换为你的图像文件路径,注意文件名不能有中文
# 根据图像的复杂性，还可以在预处理步骤中使用额外的图像处理技术，如阈值化、去噪、边缘检测等，以提高准确度和结果。
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)  # cv2让图片黑白

# 2、执行文字识别和坐标提取 英语就是eng
results = pytesseract.image_to_data(gray, lang='chi_sim', config=tessdata_dir_config, output_type=pytesseract.Output.DICT)

text_coords = []

for i, text in enumerate(results['text']):
    if text.strip():
        x = results['left'][i]
        y = results['top'][i]
        width = results['width'][i]
        height = results['height'][i]
        text_coords.append({'text': text, 'x': x, 'y': y, 'width': width, 'height': height})

# 输出结果
for coord in text_coords:
    print(coord['text'], '-> 坐标：[', coord['x'], ",", coord['y'], "]，  ", "宽高：[", coord['width'], coord['height'], "]")

输出样式：

在这里插入图片描述

相关参考资料

# 官方文档
https://tesseract-ocr.github.io/tessdoc/
# 里面提到了艺术字的识别
https://www.jianshu.com/p/3326c7216696
# 简单的安装教程
https://zhuanlan.zhihu.com/p/186225362
# 比较详细的安装教程及pytesseract基本使用
https://zhuanlan.zhihu.com/p/341306710
# mac安装pytesseract
https://blog.csdn.net/wodedipang_/article/details/84585914
# 模型训练
https://www.cnblogs.com/cnlian/p/5765871.html
# OCR调研报告
https://blog.csdn.net/weixin_41021342/article/details/127203654

下一篇更新PaddleOCR，祝我成功！

梦无矶
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
python识别图像并提取文字的实现方法
12-25
前言 python图像识别一般基础到的就是tesseract了，在爬虫中处理验证码广泛使用。 安装 安装教程网上大都差不多，Windows下确实比较麻烦，涉及到各种路径、环境变量甚至与linux不同的路径分隔符，所以这里的安装是基于Centos7。 1. 依赖安装 yum install -y automake autoconf libtool gcc gcc-c++ 2. 安装leptonica Leptonica主要用于图像处理和图像分析 原则上所有的库文件都是可以直接用yum安装的，如果想要具体的某个版本，可以前往官方源下载对应版本然后按照对应方式编译 wget http://ww
pytesseract识别中文并获得中文的位置信息（Bounding Box）
SeventhBlue
09-14 1万+
pytesseract识别中文并且获得识别的字符的位置信息，识别中文随便找找就能找到相关资料，但是获得位置信息的中文资料有点少呀，下面通过学习这个获得了怎么得到位置信息的方法了。总体来说有两个方法。一个是image_to_boxes，该方法只会返回识别后的位置信息，没有字符；另一个是image_to_data，它返回的信息就多了，位置信息，识别的字符等等（详情可以看上面的链接）。还...
Python OCR工具pytesseract详解
justlpf的专栏
11-14 2239
最初由惠普开发，后来Google赞助的开源OCR引擎 tesseract 提供了比较精确的文字识别API，本文将要介绍的Python库Pytesseract就是基于Tesseract-OCR 引擎。安装完成后，添加到环境变量PATH中，我的安装路径是：C:\Program Files\Tesseract-OCR。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。图片中可能包含了多种语言，比如在上面的例子中，图片包含了中文和英文，，已经添加到了环境变量，直接写字体名称就可以了，
OCR之：Pytesseract端到端文字识别（包含源代码以及极为详细的解释）
破浪会有时的博客
01-09 3811
提示：此博文详细描述如何使用Pytesseract进行OCR识别，包括基本操作，图像的预处理，角度识别，图像旋转，等等。并且，这里也会附上及其详细的代码以及注解。如果感兴趣的同学可以自行下载。注：代码运行于Ubuntu AMD 环境。
OCR--基于Tesseract详细教程（python）
FRANPPER的博客
12-06 1912
OCR, so easy!! 基于python的Tesseract使用教程
借助Tesseract软件OCR进行文本检测（1）
qq_42242399的博客
02-12 3431
# -*- coding: utf-8 -*- """ Created on Fri Jan 14 16:03:18 2022 @author: Qing ao Ma """ ''' 借用OCR应用程序对输入的图片进行文字检测、识别 ''' import cv2 import pytesseract pytesseract.pytesseract.tesseract_cmd = "D:\\program file\\setup\\OCR\\tesseract.exe" img = cv2.imre.
基于python+Opencv和Tesseract-OCR开发的图像文字识别程序+源码+开发文档+视频演示+设计报告（毕设&课设
最新发布
03-27
基于python+Opencv和Tesseract-OCR开发的图像文字识别程序+源码+开发文档+视频演示+设计报告，适合毕业设计、课程设计、项目开发。项目源码已经过严格测试，可以放心参考并在此基础上延申使用~ 基于python+Opencv和...
python识别文字(基于tesseract)代码实例
09-18
主要介绍了python识别文字(基于tesseract)代码实例,文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值,需要的朋友可以参考下
Python文字识别之tesseract-ocr安装包和中文语言包chi_sim.traineddata下载
06-19
本资源提供Python文字识别之tesseract-ocr安装包和中文语言包chi_sim.traineddata免费下载。 tesseract-ocr：tesseract-ocr-w64-setup-v5.1.0.20220510.exe； 中文语言包：chi_sim.traineddata
Python图像识别Tesseract-OCR.zip
05-12
Python图像识别Tesseract-OCR包，可用于验证码识别，解压后将文件夹路径添加到环境变量
opencv实战---使用TesseractOCR进行文字识别
m0_57224196的博客
10-01 5753
这篇就讲解一下软件安装、使用自带的识别库识别常规的英文字符、英文单词、数字。
Opencv项目实战：01 文字检测OCR（2）
m0_62919535的博客
08-29 2293
《Opencv项目实战：01 文字检测OCR（2）》，针对刚刚对于opencv有点了解了，想要做项目的同学，不妨关注，我后面还会持续更新这部分的内容。
python使用百度AipOCR来实现图像文字识别
kxltsuperr的专栏
09-10 1659
python使用百度AipOCR来实现图像文字识别
使用 Pytesseract 进行光学字符识别
深度学习与计算机视觉
02-16 1716
概述本文，我们将使用计算机视觉技术从图像中提取文本。提取文本后，我们将在该文本上应用 OpenCV 的一些基本功能来增强它并获得更准确的结果。这个项目将非常有用，因为它可以节省从图像打字的...
【项目实战】用python的opencv库和pytesseract库实现OCR文字识别
m0_56339807的博客
08-26 1195
文字OCR识别一直是计算机视觉领域的一大重点话题，python作为主流语言，已经将该功能整合成为一个特定的库，从而可以便捷的实现文档OCR识别。本文中使用opencv库实现了输入任何视角与低清晰度的图片，将视角化为垂直纸面视角以及将图片清晰度提高输出，然后利用pytesseract库识别图片中文字并且进行打印输出。
基于Tesseract模块Python实现提取图片中的文字信息（安装+使用教程）
努力让自己发光，对的人才能迎着光而来
03-24 1万+
Python实现提取图片中的文字可以使用Optical Character Recognition (OCR) 技术来解决。OCR是指将图像中的文本转换成可编辑的文本的过程。Python有许多OCR库，但最流行和最广泛使用的是Tesseract库。
opencv文字识别
花生日记
05-22 4051
要在OpenCV中实现文字识别，您可以使用Tesseract OCR（光学字符识别）引擎。要使用Tesseract和OpenCV进行文字识别，您需要先安装Tesseract和Python的pytesseract库。接着，我们对灰度图进行了二值化处理，以便Tesseract能更好地识别文本。最后，我们使用Tesseract对二值化后的图像进行了文字识别，并打印出了识别结果。需要注意的是，这个示例使用的是简体中文（lang='chi_sim'）进行识别。# 使用Tesseract OCR进行文字识别。
【Python • 图片识别】pytesseract快速识别提取图片中的文字
热门推荐
广龙宇的博客
07-07 13万+
利用python做图片识别，识别提取图片中的文字会有很多方法，但是想要简单一点怎么办，那就可以使用tesseract识别引擎来实现，一行代码就可以做到提取图片文本。
使用 PyTesseract 和 OpenCV 从表格图像中提取文本
allway2的博客
01-21 2414
Text Extraction from a Table Image, using PyTesseract and OpenCV – Fazlur Rahmanhttps://fazlurnu.com/2020/06/23/text-extraction-from-a-table-image-using-pytesseract-and-opencv/ 从图像中提取文本可能会让人筋疲力尽，尤其是当您要提取大量内容时。一个众所周知的文本提取库是PyTesseract，一种光学字符识别 (OCR)。该库将为您提
python 识别图片中的文字,定位置,点击
04-30
Python可以通过使用OCR（Optical Character Recognition）技术来识别图片中的文字。OCR技术利用模式识别和人工智能的算法，将图片中印刷字符转换为可编辑的文本格式。常见的OCR库包括Tesseract和pytesseract。 在识别文字之后，Python还可以定位文本的位置。可以使用OpenCV库中的图像处理函数在图像中找到特定文本的位置。OpenCV库还包含了一些特征检测器，如SIFT和SURF，可以用于在图像中找到特定的图像特征。 同时，通过使用PyAutoGUI库，Python可以模拟鼠标和键盘的输入，可以实现自动化的点击操作。只需编写一些简单的代码，就可以实现快速地将鼠标移动到指定位置并单击。 Python可以通过以上几种库和技术，实现图片文本识别和自动化点击。可以应用于自动化测试，数据抓取等多个领域。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值