python ocr 识别发票_在Python中使用Tesseract进行OCR识别

本教程翻译自PyImageSearch英文原文

Tesseract OCR

上周的博客内容，我们学习了如何安装Tesseract去做OCR识别。

然后我们通过一些小图片示例去应用Tesseract测试和评估这个OCR引擎的性能。

我们的结论显示，Tesseract在前景文本和背景色区分的非常清晰的图片上工作非常好。实际上，保证这些类型的分割可能极具挑战性。因此，我们倾向于训练特定领域的图像分类器和检测器。

然而，在我们需要将OCR应用于我们自己的项目的情况下，我们了解如何通过Python编程语言访问Tesseract OCR非常重要（前提是我们可以获得Tesseract所需的漂亮，干净的分段）。

在本章的其余部分，我们将学习如何安装Tesseract OCR + Python“绑定”，然后编写一个简单的Python脚本来调用这些绑定。在本教程结束时，您将能够将图像中的文本转换为Python字符串数据类型。

通过Python使用Tesseract OCR

本博客分为三部分。

首先，我们将学会如何安装pytesseract package 以便我们可以通过Python编程语言应用Tesseract。

然后，我们将开发一个简单的Python脚本来加载图片，二值化图片并且将图片传给Tesseract OCR 系统。

最后，我们将在一些示例图像上测试我们的OCR管道并查看结果。

在Python中绑定Tesseract

让我们从安装pytesseract开始吧。我们将利用pip来安装pytesseract 。

如果你使用的是虚拟环境（我强烈推荐这样，以便您可以隔离不同的项目），使用workon命令为你的环境配置合适的名称。在这个例子中，我们的虚拟环境叫做cv。

$ workon cv

接下来我们来安装 Pillow，一个跟友好的pytesseract依赖的PIL端口。

$ pip install pillow

$ pip install pytesseract

注意：pytesseract 并不是提供 一个真正的Python绑定。而是简单的提供tesseract库的接口。如果你看它在GitHub的项目你将发现该库将图像写入磁盘上的临时文件，然后在文件上调用tesseract二进制文件并捕获结果输出。这绝对有些取巧，但它为我们完成了工作。

让我们继续，查看一些将前景文本从背景中分割出来的代码，然后使用我们新安装的pytesseract。

使用Tesseract和Python应用OCR

让我们首先创建一个名字叫ocr.py 的新文件：

1. # import the necessary packages

2. from PIL import Image

3. import pytesseract

4. import argparse

5. import cv2

6. import os

7.

8. # construct the argument parse and parse the arguments

9. ap = argparse.ArgumentParser()

10. ap.add_argument("-i", "--image", required=True,

help="path to input image to be OCR'd")

11. ap.add_argument("-p", "--