Python图像处理之图片文字识别（OCR）

OCR
  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
  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。

我的电脑的环境变量，进入配置以下界面

把刚才的安装路径“C:\Program Files\Tesseract-OCR”添加到红线划的PATH和Path，注意，添加时候开头用“;”跟之前的变量隔开，结尾以“;”结尾。下面是我的配置信息样本，配置好了点击确定保存。

用Tesseract可以识别格式规范的文字，主要具有以下特点：

• 使用一个标准字体（不包含手写体、草书，或者十分“花哨的”字体）
• 虽然被复印或拍照，字体还是很清晰，没有多余的痕迹或污点
• 排列整齐，没有歪歪斜斜的字
• 没有超出图片范围，也没有残缺不全，或紧紧贴在图片的边缘
  下面将给出几个tesseract识别图片中文字的例子。
  首先是E://figures/other/poems.jpg, 输入命令 tesseract E://figures/other/poems.jpg E://figures/other/poems.txt， 则会将poems.jpg中的识别文字写入到poems.txt中，如下图：
 

 

 tesseract E:\work\Tesseract-OCR\test\test\Content\name.jpg  E:\work\Tesseract-OCR\test\test\Content\1.txt

最后是识别简体中文，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。我们以图片1.jpg为例：

 tesseract E:\work\Tesseract-OCR\test\test\Content\1.jpg  E:\work\Tesseract-OCR\test\test\Content\1.txt -l chi_sim

pytesseract
  pytesseract是Tesseract关于Python的接口，可以使用pip install pytesseract安装。安装完后，就可以使用Python调用Tesseract了，不过，你还需要一个Python的图片处理模块，可以安装pillow.
  输入以下代码，可以实现同上述Tesseract命令一样的效果：
 

import pytesseract
from PIL import Image

pytesseract.pytesseract.tesseract_cmd = 'C://Program Files (x86)/Tesseract-OCR/tesseract.exe'
text = pytesseract.image_to_string(Image.open('E://figures/other/poems.jpg'))

print(text)
 

运行结果如下：