OCR--基于Tesseract详细教程（python）

Franpper

已于 2023-12-23 16:21:04 修改

阅读量4.4k

点赞数 29

分类专栏： opencv项目实战文章标签： ocr opencv python 图像处理

于 2023-12-06 22:27:48 首次发布

本文链接：https://blog.csdn.net/weixin_58283091/article/details/134743693

版权

opencv项目实战专栏收录该内容

5 篇文章 0 订阅

订阅专栏

3.1 翻译图像文字——image_to_string

3.2 获取单个字符的外框——image_to_boxes

3.3 输出区域、置信度文字内容以及其他——image_to_data

1.介绍

Tesseract 的开发始于 2006 年，由惠普公司的 Mike J. Bradbury 带领团队进行。当时，他们希望开发一款能够识别印刷体和手写体的 OCR（Optical Character Recognition，光学字符识别）引擎。2009 年，Tesseract 被移植到 C++，并成为 Google 的开源项目。随着时间的推移，Tesseract 逐渐成为最受欢迎的 OCR 引擎之一，被广泛应用于各种场景。它可以将图像中的文字提取出来，并将其转化为机器可读的文本。Tesseract 不仅支持多种语言，还可以进行多种格式的图像处理，包括常见的 PDF、JPG、PNG 等。

2. 准备工作

2.1 安装Tesseract

Tesseract下载地址为：
Tesseract User Manual | tessdocTesseract documentationhttps://tesseract-ocr.github.io/tessdoc/

↓↓↓ 按照如下步骤进行安装

勾选下面的选项下载一些语言包，可以翻译中文和一些其他语言

下载不成功的朋友可以点击下面的链接进行下载

https://github.com/tesseract-ocr/tessdatahttps://github.com/tesseract-ocr/tessdata

选择下载路径

点击Finish下载完毕

2.2 安装pytesseract

执行命令安装pytesseract库

pip install pytesseract

3. Tesseract的基础应用

如果你想先了解一下pytesseract都有什么功能的话可以先Ctrl + 鼠标左键点进去大致浏览一下

这里Franpper帮大家把pytesseract的功能先列出来

下面正式开始

首先进行一些基础操作：导入相关包、设置 Tesseract OCR 引擎的路径、加载图片等

# 导入一些需要的包
import cv2
import pytesseract

# 设置Tesseract OCR引擎路径
pytesseract.pytesseract.tesseract_cmd = r'D:\Program Files\Tesseract-OCR\tesseract.exe'

# 加载一张图片
img = cv2.imread(r'E:\csdn\tesseract\Snipaste.jpg')

下面是Franpper读入的图片（就是本文的简介）

3.1 翻译图像文字——image_to_string

text = pytesseract.image_to_string(img, lang="chi_sim") # 指定语言

print(text)

输出如下（其实看结果翻译的情况并不好）：

3.2 获取单个字符的外框——image_to_boxes

boxes = pytesseract.image_to_boxes(img, lang="chi_sim")  # 使用
image_h, image_w, _ = img.shape


def cv2ImgAddText(img, text, left, top, textColor=(0, 255, 0), textSize=20):
    """

    :param img: 图像
    :param text: 文字内容
    :param left: 字体左边开始位置
    :param top: 字体上面开始位置
    :param textColor: 字体颜色
    :param textSize: 字体大小
    :return: 绘制后的图片
    """

    import numpy as np
    from PIL import Image, ImageDraw, ImageFont
    if isinstance(img, np.ndarray):  # 判断是否OpenCV图片类型
        img = Image.fromarray(cv2.cvtColor(img, cv2.COLOR_BGR2RGB))
    # 创建一个可以在给定图像上绘图的对象
    draw = ImageDraw.Draw(img)
    # 字体的格式
    fontStyle = ImageFont.truetype(
        "STSONG.TTF", textSize, encoding="utf-8")
    # 绘制文本
    draw.text((left, top), text, textColor, font=fontStyle)
    # 转换回OpenCV格式
    return cv2.cvtColor(np.asarray(img), cv2.COLOR_RGB2BGR)


for box in boxes.splitlines():
    box = box.split(' ')
    print(box)
    """
    opencv中坐标系是基于左上点的
    但是tesseract检测出的框是基于左下点的
    输出的数据分别是：字符, 左下角横坐标, 左下角纵坐标, 右上角横坐标, 右上角纵坐标（均是基于左下点原点）
    所以在绘制的时候要进行坐标转换
    """
    x1, y1, x2, y2 = int(box[1]), int(box[2]), int(box[3]), int(box[4])

    cv2.rectangle(img, (x1, image_h - y1), (x2, image_h - y2), (0, 255, 0), 1)
    # cv2.putText函数无法添加中文字符，所以使用PIL库(RGB)添加中文字符后转为opencv格式(BGR)
    img = cv2ImgAddText(img, box[0], x1, image_h - y1 - 30, (255, 0, 0), 15)

cv2.imshow("img", img)
cv2.waitKey(0)

输出如下，可以获取单个文字外框的左下角横坐标、左下角纵坐标、右上角横坐标、右上角纵坐标（基于左下点原点坐标系）

3.3 输出区域、置信度文字内容以及其他——image_to_data

data = pytesseract.image_to_data(img, output_type=pytesseract.Output.STRING, lang="chi_sim")

for level, infor in enumerate(data.splitlines()):
    if level != 0:
        infor = infor.split()
        # 每一行的输出为：level、page_num、block_num、par_num、line_num、word_num、left、top、width、height、conf、text
        print(infor)
        if len(infor) == 12:
            x, y, w, h = int(infor[6]), int(infor[7]), int(infor[8]), int(infor[9])  # 这里的坐标邮与opencv相同了，即左上加宽高
            cv2.rectangle(img, (x, y), (x + w, y + h), (0, 255, 0), 1)
            img = cv2ImgAddText(img, infor[11], x, y - 20, (255, 0, 0), 15)

cv2.imshow("img", img)
cv2.waitKey(0)

执行结果如下：可以看到把一些字母合并成单词整体进行输出了

3.4 设定配置实现过滤功能

在编辑配置时有两个重要的参数，分别是OEM与PSM，下面Franpper给大家介绍一下

3.4.1 OEM

即 OCR Engine Mode(引擎模式)，共有四种，如下图：

0 — Legacy engine only
1 — Neural nets LSTM engine only
2 — Legacy + LSTM engines
3 — Default, based on what is available

3.4.2 PEM

即Page Segmentation Mode(图片分割模式)，共有13种，如下图：

0 — Orientation and script detection (OSD) only. 方向及语言检测（Orientation and script detection，OSD)
1 — Automatic page segmentation with OSD. 自动图片分割
2 — Automatic page segmentation, but no OSD, or OCR. 自动图片分割，没有OSD和OCR
3 — Fully automatic page segmentation, but no OSD. (Default) 完全的自动图片分割，没有OSD
4 — Assume a single column of text of variable sizes. 假设有一列不同大小的文本
5 — Assume a single uniform block of vertically aligned text. 假设有一个垂直对齐的文本块
6 — Assume a single uniform block of text. 假设有一个对齐的文本块
7 — Treat the image as a single text line. 图片为单行文本
8 — Treat the image as a single word. 图片为单词
9 — Treat the image as a single word in a circle. 图片为圆形的单词
10 — Treat the image as a single character. 图片为单个字符
11 — Sparse text. Find as much text as possible in no particular order. 稀疏文本。查找尽可能多的文本，没有特定的顺序
12 — Sparse text with OSD. OSD稀疏文本
13 — Raw line. Treat the image as a single text line, bypassing hacks that are Tesseract-specific. 原始行。将图像视为单个文本行

3.4.3 示例：只检测数字

config = r'--oem 3 --psm 6 outputbase digits'  # 添加配置
data = pytesseract.image_to_data(img, output_type=pytesseract.Output.STRING, lang="chi_sim", config=config)

for level, infor in enumerate(data.splitlines()):
    if level != 0:
        infor = infor.split()
        # 每一行的输出为：level、page_num、block_num、par_num、line_num、word_num、left、top、width、height、conf、text
        print(infor)
        if len(infor) == 12:
            x, y, w, h = int(infor[6]), int(infor[7]), int(infor[8]), int(infor[9])  # 这里的坐标邮与opencv相同了，即左上加宽高
            cv2.rectangle(img, (x, y), (x + w, y + h), (0, 255, 0), 1)
            img = cv2ImgAddText(img, infor[11], x, y - 20, (255, 0, 0), 15)

cv2.imshow("img", img)
cv2.waitKey(0)

运行结果如下，可以看到只有数字被提取了出来

4. 结语

Tesseract不仅仅是一个OCR工具，它代表了人工智能和机器学习在文本识别领域的突破性技术。它不仅为我们提供了从图像中提取文字的强大能力，而且通过持续的研发和优化，Tesseract的能力还将进一步提升。然而，Tesseract并非万能的。虽然它对于一些常规的文本识别任务有着出色的表现，但在处理一些复杂或特定的任务时，我们可能还需要进行更多的预处理或者后处理工作。尽管如此，Tesseract仍然是一个非常强大且灵活的工具，值得我们深入学习和探索。