python识别图片文字_python图片中文字识别

使用python pytesseract库识别验证码中的文字,图片中的文本内容

运行环境 python3.6, PIL , pytesseract,

安装tesseract-ocr

原理

tesseract-ocr目前是谷歌维护的开源OCR识别引擎,python的pytessseract库本质是对tesseract-ocr的封装和调用,库本身不能进行识别,识别的工作都是tsseract光学字符识别引擎在干

环境搭建

运行环境:python3.6+PIL+pytesseract

依赖:tesseract-ocr,语言包

安装：

1.python库的安装用pip完成

2.下载tesseract-ocr-setup-3.02.02.exe并安装

3.下载相应的语言包,如中文包依赖chi_sim

环境搭建:

1.确认tesseract-oc的安装路径,默认:C:\Program Files (x86)\Tesseract-OCR

2.确认tesseract.exe和tessdata文件夹

3.在开发程序环境中,导入tesseract.exe执行文件

4.将tessdata文件夹复制在程序所在的目录中,保持平级

5.下载chi_sim.traineddata,复制在tessdata文件夹中,用来识别中文字符

程序环境搭建结束

附录:

1.tessdata 目录存放的是语言字库文件

测试识别验证码

from PIL import Image

import pytesseract

image=Image.open(imagePath) #打开识别的图片

cod=pytesseract.image_to_string(image,lang=’chi_sim’) #用pytesseract识别图片文字,lang指定语言包

print(cod) #打印识别的字符串

pytesseract.image_to_string参数设置

pytesseract.image_to_string(image,lang=’chi_sim’,config=’-psm 7′)

.image_to_string(

image #设置图片的路径或名

lang=” #指定解析文件的语言包

config=’-psm num’ #-psm为tesseract.orc解析图片的参数

)

tesseract常见问题

1.安装问题,提示make sure TESSDATA_PREFIX environment varialbe….

tesseract-oc安装完成后,默认会自动进行环境变量配置,在dos界面中输入tesseract,显示tesseract的help用法,安装成功

提示make sure TESSDATA_PREFIX environment varialbe,需要在环境变量中新建TESSDATA_PREFIX变量,地址为tesseract的安装路径

2.tesseract用法

直接在dos命令行使用: tesseract 图片名 输出文件名 [-l 字库文件] [-psm pagesegmode] [configfile]

结果在命令行所在路径或指定路径生成指定文件名的文本文件

==> tesseract 1.jpg 1.txt -l chi_sim+equ+eng

-l是指定使用的包:chi_sim是中文识别包，equ是数学公式包，eng是英文包

3.tesseract参数

tesseract imagename outputbase [-l 字库文件] [-psm pagesegmode] [configfile]

-l 为指定解析文本的语言包,如中文用 chi_sim,语言包路径在tessdata文件夹中,且后缀为.traineddata

-psm 7 psm为指定tesseract code.jpg图片是一行文本这个参数可以减少识别错误率. 默认为 3

configfile 参数值为tessdata\configs 和 tessdata\tessconfigs 目录下的文件名.

tesseract.orc help

Usage:tesseract imagename outputbase [-l lang] [-psm pagesegmode] [configfile…]

pagesegmode values are:

0 = Orientation and script detection (OSD) only.

1 = Automatic page segmentation with OSD.

2 = Automatic page segmentation, but no OSD, or OCR

3 = Fully automatic page segmentation, but no OSD. (Default)

4 = Assume a single column of text of variable sizes.

5 = Assume a single uniform block of vertically aligned text.

6 = Assume a single uniform block of text.

7 = Treat the image as a single text line.

8 = Treat the image as a single word.

9 = Treat the image as a single word in a circle.

10 = Treat the image as a single character.

-l lang and/or -psm pagesegmode must occur before anyconfigfile.

一些经验

1.可以将突破转换成灰度，对于图片较大的，可以使用缩略图，像素过高和过低，都影响准确 imgry = img.convert(‘L’) imgry.thumbnail(size=(1024,1024))