用Python進行圖文識別(OCR)

作者： jclian，本人從事Python已一年多，是Python愛好者，喜歡算法，熱愛分享，希望能結交更多志同道合的朋友，一起在學習Python的道路上走得更遠！

OCR與Tesseract介紹

  將圖片翻譯成文字一般被稱為光學文字識別（Optical Character Recognition，OCR）。可以實現OCR 的底層庫並不多，目前很多庫都是使用共同的幾個底層OCR 庫，或者是在上面進行定製。
  Tesseract 是一個OCR 庫，目前由Google 贊助（Google 也是一家以OCR 和機器學習技術聞名於世的公司）。Tesseract 是目前公認最優秀、最精確的開源OCR 系統。
  除了極高的精確度，Tesseract 也具有很高的靈活性。它可以通過訓練識別出任何字體（只要這些字體的風格保持不變就可以），也可以識別出任何Unicode 字符。

Tesseract的安裝與使用

  Tesseract的Windows安裝包下載地址為：http://digi.bib.uni-mannheim.de/tesseract/tesseract-ocr-setup-4.00.00dev.exe ，下載後雙擊直接安裝即可。安裝完後，需要將Tesseract添加到系統變量中。在CMD中輸入tesseract -v, 如顯示以下界面，則表示Tesseract安裝完成且添加到系統變量中。

  Linux 用戶可以通過apt-get 安裝：

$sudo apt-get tesseract-ocr

     用Tesseract可以識別格式規範的文字，主要具有以下特點： 

使用一個標準字體（不包含手寫體、草書，或者十分「花哨的」字體

雖然被複印或拍照，字體還是很清晰，沒有多餘的痕跡或汙點

排列整齊，沒有歪歪斜斜的字

沒有超出圖片範圍，也沒有殘缺不全，或緊緊貼在圖片的邊緣

   下面將給出幾個tesseract識別圖片中文字的例子。

  首先是E://figures/other/poems.jpg, 輸入命令：tesseract E://figures/other/poems.jpg E://figures/other/poems.txt， 則會將poems.jpg中的識別文字寫入到poems.txt中，如下圖：

poems.jpg

  接著是稍微有點傾斜的文字圖片th.jpg,識別情況如下：

    可以看到識別的情況不如剛才規範字體的好，但是也能識別圖片中的大部分字母。最後是識別簡體中文，需要事先安裝簡體中文語言包，下載地址為：https://github.com/tesseract-ocr/tessdata/find/master/chi_sim.traineddata ,再講chi_sim.traineddata放在C:Program Files (x86)Tesseract-OCR essdata目錄下。我們以圖片timg.jpg為例：

輸入命令：

tesseract E://figures/other/timg.jpg E://figures/other/timg.txt -l chi_sim

識別結果如下：

只識別錯了一個字，識別率還是不錯的。最後加一句，Tesseract對於彩色圖片的識別效果沒有黑白圖片的效果好。

pytesseract

  pytesseract是Tesseract關於Python的接口，可以使用pip install pytesseract安裝。安裝完後，就可以使用Python調用Tesseract了，不過，你還需要一個Python的圖片處理模塊，可以安裝pillow.
  輸入以下代碼，可以實現同上述Tesseract命令一樣的效果：

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)

運行結果（部分）如下：

參考文獻

《Python網絡數據採集》 【美】 Ryan Mitchell  人民郵電出版社

https://blog.csdn.net/dcrmg/article/details/78233459?locationNum=7&fps=1

http://www.inimei.cn/archives/297.html

Python中文社區作為一個去中心化的全球技術社區，以成為全球20萬Python中文開發者的精神部落為願景，目前覆蓋各大主流媒體和協作平臺，與阿里、騰訊、百度、微軟、亞馬遜、開源中國、CSDN等業界知名公司和技術社區建立了廣泛的聯繫，擁有來自十多個國家和地區數萬名登記會員，會員來自以公安部、工信部、清華大學、北京大學、北京郵電大學、中國人民銀行、中科院、中金、華為、BAT、谷歌、微軟等為代表的政府機關、科研單位、金融機構以及海內外知名公司，全平臺近20萬開發者關注。

最近熱門

數據解讀誰是直男們心中的女神

分類模型評估的方法及Python實現

我分析了虎嗅網5萬篇文章，發現這些秘密

我爬取分析美團網，原來北京上海Top10美食是它們

金州勇士4年3冠的成功秘訣！Python數據可視化分析告訴你答案

投稿郵箱：[e-mail]

▼ 點擊下方閱讀原文，免費成為社區註冊會員