python识别图片上的文字_Python程序图片和pdf上文字识别实例

实例一：先减少背景杂音，再做图片文字识别

为了提高识别率，先用opencv-python对扫描的图片做预处理（减少背景杂音），然后调用pytesseract识别图片上的文字。处理方式就是：

学习Python中有不明白推荐加入交流群

号：960410445

群里有志同道合的小伙伴，互帮互助，

群里有不错的视频学习教程和PDF！

1、将图片的颜色模式转成灰度模式，再用OTSU做二值化处理

2、将处理结果保存成临时图片文件

3、调用pytesseract识别临时图片上的文字，识别完毕后删掉临时图片

选择要识别文字的图片调用tkinter打开图形化对话窗口，tkinter是python内置模块，可直接引进不必安装。对tkinter不做太多解释，只是借助它的功能函数打开对话窗口。引入内置os的功能函数删除临时文件。

from PIL import Image # pytesseract识别图片上的文字时要用

import pytesseract # 识别图片上的文字

import cv2 # 图片预处理，减少背景杂音

import os # 删除临时文件

from tkinter import Tk # 帮忙用图形化界面找到要识别的图片文件

from tkinter.filedialog import askopenfilename

Tk().withdraw() # 这里不是要全部图形化界面，所以就不显示根窗口了

imgName = askopenfilename() # 显示“打开”窗口，返回选中的图片文件的路径+文件名字符串

预处理图片

greyImg = cv2.imread(imgName, 0)

预处理第一步，彩色模式转成灰度模式：以灰度模式打开图片，生成灰度图片

greyImg = cv2.threshold(greyImg, 0, 255,cv2.THRESH_BINARY | cv2.THRESH_OTSU)[1]

预处理第二步，OTSU二值法，返回的是列表，第二个元素（索引为1）指向被处理的图片

将预处理结果保存成临时文件，文件名用它在系统的进程ID（os.getpid()）

filename = "{}.png".format(os.getpid())

cv2.imwrite(filename, greyImg)

调用pytesseract将图片上的文字识别出来

txt = pytesseract.image_to_string(Image.open(filename))

os.remove(filename) # 删除临时图片文件

with open("toFile.txt", 'w', encoding='utf-8') as fObject:

fObject.write(txt) # 将识别出来的字符串保存到文本文件

提高图片文字的识别率和正确率是个大话题，跟图片上文字的背景有关系，跟图片分辨率有关系，跟识别用的字库的识别能力也有关系（字库可以训练），牵扯的技术手段很多。除了减少背景杂音外，还有一些预处理工作我们也可以做，比如把图片上有文字的部分截取下来识别（效果很明显）；把图片上的文字分成一小段一小段识别，甚至分成一个一个字符来识别……有兴趣的朋友可以自己研究。

实例二：识别pdf上的文字

识别pdf上的文字分几步进行：

1、引入wand模块，把pdf文件转成图片序列，通过序列的索引可以获得pdf的每一页。

2、遍历这个图片序列，把序列的每一页变成wand图片对象，转成灰度模式（简单预处理下，以提高识别度），接下来本应添加进图像列表req_image中，但却遇到一个问题：

PyOCR模块做图片文字识别的功能函数的形参只接收pillow的Image模块打开的图片PIL.Image.open()，不接受wand图形对象，PIL.Image.open()也不接收wand图片对象。当然可以wand图像对象保存成图片文件，然后PIL.Image.open()打开这个图片文件。

有个更快的处理方法，不用硬盘（硬盘慢）做媒介用缓存（buffer）：先用wand图片对象的make_blob把图片转成二进制数据流，把二进制数据流放入列表req_image中。

3、遍历列表req_image，ByteIO()读取二进制数据流，返回值可以被PIL.Image.open()接受。接下去就可以调用PyOCR模块的功能函数做图片文字转换了。

4、将识别结果放进列表final_text，用pprint模块的pprint()显示出来。pprint，pretty print顾名思义，输出结果规整好看一些。

from wand.image import Image as wandImage # pdf –> jpeg

from PIL import Image as pillowIMage # PyOCR需要

import pyocr.builders # OCR识别

import io # 将Wand处理结果传给给Pillow

import pprint # 美美的打印出来

PyOCR初始化

tool = pyocr.get_available_tools()[0]

获得OCR内核工具，这里用的是Tesseract

lang = tool.get_available_languages()[0]

获得识别用语言，这里用的是简体中文，参见20.2 PyOCR的初始化程序

req_image = [] # 存放pdf转换过来的图片二进制数据流

final_text = [] # 存放识别结果，每个元素是每一页识别出来的文字

ima_pdf = wandImage(filename='instance.pdf', resolution=300)

打开pdf文件，生成wand图片对象。分辨率设为300，设高分辨率有助于提高识别率

image_jpeg = ima_pdf.convert('jpeg')

pdf文件转成图片，实际上是个图片序列，序列的长度与pdf的页数相同

for img in image_jpeg.sequence: # 遍历图片序列的每页图片

img_page = wandImage(image=img) # 生成为wand图片对象

img_page.type = 'grayscale' # 转成灰度模式有助于OCR识别文字

req_image.append(img_page.make_blob('jpeg'))

转成二进制数据流放进列表

for img in req_image: # 一页一页OCR识别文字

text = tool.image_to_string(

pillowIMage.open(io.BytesIO(img)),

# io.BytesIO()从内存中读入二进制数据流

lang=lang, # 识别语言

builder=pyocr.builders.TextBuilder() # 识别器

)

final_text.append(text) # 识别出来的结果添进列表

pprint.pprint(final_text) # 显示识别结果