OCR與Tesseract介紹

將圖片翻譯成文字一般被稱為光學(xué)文字識別（Optical Character Recognition，OCR）。可以實現(xiàn)OCR 的底層庫并不多，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(jìn)行定制。

Tesseract 是一個OCR 庫，目前由Google 贊助（Google 也是一家以O(shè)CR 和機器學(xué)習(xí)技術(shù)聞名于世的公司）。Tesseract 是目前公認(rèn)最優(yōu)秀、最精確的開源OCR 系統(tǒng)。
除

了極高的精確度，Tesseract 也具有很高的靈活性。它可以通過訓(xùn)練識別出任何字體（只要這些字體的風(fēng)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  ，下載后雙擊直接安裝即可。安裝完后，需要將Tesseract添加到系統(tǒng)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(tǒng)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(guī)范的文字，主要具有以下特點：

• 使用一個標(biāo)準(zhǔn)字體（不包含手寫體、草書，或者十分“花哨的”字體）
• 雖然被復(fù)印或拍照，字體還是很清晰，沒有多余的痕跡或污點
• 排列整齊，沒有歪歪斜斜的字
• 沒有超出圖片范圍，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：

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(guī)范字體的好，但是也能識別圖片中的大部分字母。
最后是識別簡體中文，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\tessdata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(jié)果如下：

只識別錯了一個字，識別率還是不錯的。

最后加一句，Tesseract對于彩色圖片的識別效果沒有黑白圖片的效果好。

pytesseract

pytesseract是Tesseract關(guān)于Python的接口，可以使用pip install pytesseract安裝。安裝完后，就可以使用Python調(diào)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(xiàn)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(jié)果如下：

總結(jié)

以上所述是小編給大家介紹的Python圖像處理之圖片文字識別功能（OCR),希望對大家有所幫助，如果大家有任何疑問請給我留言，小編會及時回復(fù)大家的。在此也非常感謝大家對腳本之家網(wǎng)站的支持！
如果你覺得本文對你有幫助，歡迎轉(zhuǎn)載，煩請注明出處，謝謝！

最新評論