python 中文识别 不用tesseract_Python中利用Tesseract软件来识别图片中的英文与中文...

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。

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\tessdata目录下。

Python图像处理之图片验证码识别

利用Tesseract软件来识别图片中的英文与中文，本文将具体介绍如何在Python中利用Tesseract软件来识别验证码(数字加字母)。

本文将具体介绍如何利用Python的图像处理模块pillow和OCR模块pytesseract来识别上述验证码(数字加字母)。

我们识别上述验证码的算法过程如下：

将原图像进行灰度处理，转化为灰度图像；

获取图片中像素点数量最多的像素(此为图片背景)，将该像素作为阈值进行二值化处理，将灰度图像转化为黑白图像(用来提高识别的准确率)；

去掉黑白图像中的噪声，噪声定义为：以该点为中心的九宫格的黑点的数量小于等于4；

利用pytesseract模块识别，去掉识别结果中的特殊字符，获得识别结果。

完整的Python代码如下：

importosimportpytesseractfrom PIL importImagefrom collections importdefaultdict#tesseract.exe所在的文件路径

pytesseract.pytesseract.tesseract_cmd = 'C://Program Files (x86)/Tesseract-OCR/tesseract.exe'

#获取图片中像素点数量最多的像素

defget_threshold(image):

pixel_dict=defaultdict(int)#像素及该像素出现次数的字典

rows, cols =image.sizefor i inrange(rows):for j inrange(cols):

pixel=image.getpixel((i, j))

pixel_dict[pixel]+= 1count_max= max(pixel_dict.values()) #获取像素出现出多的次数

pixel_dict_reverse = {v: k for k, v inpixel_dict.items()}

threshold= pixel_dict_reverse[count_max] #获取出现次数最多的像素点

returnthreshold#按照阈值进行二值化处理#threshold: 像素阈值

defget_bin_table(threshold):#获取灰度转二值的映射table

table =[]for i in range(256):

rate= 0.1 #在threshold的适当范围内进行处理

if threshold * (1 - rate) <= i <= threshold * (1 +rate):

table.append(1)else:

table.append(0)returntable#去掉二值化处理后的图片中的噪声点

defcut_noise(image):

rows, cols= image.size #图片的宽度和高度

change_pos = [] #记录噪声点位置

#遍历图片中的每个点，除掉边缘

for i in range(1, rows - 1):for j in range(1, cols - 1):#pixel_set用来记录该店附近的黑色像素的数量

pixel_set =[]#取该点的邻域为以该点为中心的九宫格

for m in range(i - 1, i + 2):for n in range(j - 1, j + 2):if image.getpixel((m, n)) != 1: #1为白色,0位黑色

pixel_set.append(image.getpixel((m, n)))#如果该位置的九宫内的黑色数量小于等于4，则判断为噪声

if len(pixel_set) <= 4:

change_pos.append((i, j))#对相应位置进行像素修改，将噪声处的像素置为1(白色)

for pos inchange_pos:

image.putpixel(pos,1)return image #返回修改后的图片

#识别图片中的数字加字母#传入参数为图片路径，返回结果为：识别结果

defOCR_lmj(img_path):

image= Image.open(img_path) #打开图片文件

imgry = image.convert('L') #转化为灰度图

#获取图片中的出现次数最多的像素，即为该图片的背景

max_pixel =get_threshold(imgry)#将图片进行二值化处理

table = get_bin_table(threshold=max_pixel)

out= imgry.point(table, '1')#去掉图片中的噪声(孤立点)

out =cut_noise(out)#保存图片

#out.save('E://figures/img_gray.jpg')

#仅识别图片中的数字

#text = pytesseract.image_to_string(out, config='digits')

#识别图片中的数字和字母

text =pytesseract.image_to_string(out)#去掉识别结果中的特殊字符

exclude_char_list = '.:\\|\'\"?![],()~@#$%^&*_+-={};<>/¥'text= ''.join([x for x in text if x not inexclude_char_list])#print(text)

returntextdefmain():#识别指定文件目录下的图片

#图片存放目录figures

dir = 'E://figures'correct_count= 0 #图片总数

total_count = 0 #识别正确的图片数量

#遍历figures下的png,jpg文件

for file inos.listdir(dir):if file.endswith('.png') or file.endswith('.jpg'):#print(file)

image_path = '%s/%s' % (dir, file) #图片路径

answer= file.split('.')[0] #图片名称，即图片中的正确文字

recognizition = OCR_lmj(image_path) #图片识别的文字结果

print((answer, recognizition))if recognizition == answer: #如果识别结果正确，则total_count加1

correct_count += 1total_count+= 1

print('Total count: %d, correct: %d.' %(total_count, correct_count))'''# 单张图片识别

image_path = 'E://figures/code .jpg'

OCR_lmj(image_path)'''

if __name__:

main()

运行结果如下：