1.OCR與tesseract簡介

將圖片翻譯成文字一般被稱為光學(xué)文字識(shí)別（Optical Character Recognition，OCR）?？梢詫?shí)現(xiàn)OCR 的底層庫并不多，目前很多庫都是使用共同的幾個(gè)底層OCR 庫，或者是在上面進(jìn)行定制。

??Tesseract 是一個(gè)OCR 庫，目前由Google 贊助（Google 也是一家以O(shè)CR 和機(jī)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)。

?用Tesseract可以識(shí)別格式規(guī)范的文字，主要具有以下特點(diǎn)：

? 使用一個(gè)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(diǎn)

? 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

2.tesseract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。

安裝的時(shí)候要注意，tesseract的安裝并不默認(rèn)安裝什么語言，如果自己需要簡體中文的語言包，那么就不能一直點(diǎn)next點(diǎn)到finish。如下圖，我安裝了MATH和簡體中文包。

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。

添加系統(tǒng)變量過程：把tesseract安裝位置加入到環(huán)境變量中，我的安裝位置是“C:\Program Files (x86)\Tesseract-OCR”如下圖所示

??

?

?

添加環(huán)境變量如下圖所示

?

雙擊打開“path”，把剛才的安裝路徑加入到path中，注意，添加的時(shí)候開頭用“;”跟之前的變量隔開，結(jié)尾以“;”結(jié)束。下面是我的配置信息。

?

打開DOS命令終端，輸入：“tesseract -v”可以看到版本信息，

如下圖

?

如果報(bào)錯(cuò)，估計(jì)是環(huán)境變量沒配好。

注意：我的dos命令終端打開路徑是“C：\WINDOWS\system32”,在這個(gè)路徑下安裝成功，所以使用的時(shí)候也一定在這個(gè)路徑下打開。

如果打開的是用戶名終端路徑，會(huì)報(bào)錯(cuò)，我就遇到這個(gè)問題，如下圖。

Linux 用戶可以通過apt-get 安裝“$sudo apt-get tesseract-ocr”。

?

使用方法：將圖片放到E盤的figures/other文件夾下，目標(biāo)：生成對(duì)應(yīng)txt文本，打開DOS輸入命令行“tesseract E://figures/other/poems.jpg E://figures/other/poems”

如圖所示

結(jié)果如下所示：

其他結(jié)果例子如下所示：

可以看到識(shí)別的情況不如剛才規(guī)范字體的好，但是也能識(shí)別圖片中的大部分字母。

?

如果是識(shí)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。（我這沒能成功）

?

3.python

?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(gè)Python的圖片處理模塊，可以安裝pillow. 1. 用Python提取圖片中的文字，用到的工具包有PIL ,pytesseract,tesseract-ocr.

?

注意：

（1）代碼就幾行，但是庫的安裝相對(duì)麻煩一點(diǎn)，首先是PIL庫安裝，有的電腦可以直接從PYCHARM庫里直接導(dǎo)入，但是大部分的電腦是安裝不了的，可以采取兩種方式一種是用pip install PIL這種方式一般比較慢，還有一種方法就是在PYCHARM庫里面直接安裝pillow-PIL安裝成功后就不會(huì)報(bào)錯(cuò)了。

然后就是pytesseract庫的安裝，在pycharm庫里面可以直接搜索到然后安裝。這兩個(gè)庫安裝完成后運(yùn)行代碼還是會(huì)報(bào)錯(cuò)：‘tesseract is not installed or it's not in your path’，原因是沒有找到 Tesseract-OCR\tesseract.exe 的位置，需要先下載tesseract.exe具體安裝參考https://blog.csdn.net/e8714614luan/article/details/103974924?depth_1-utm_source=distribute.pc_relevant.none-task&utm_source=distribute.pc_relevant.none-task

安裝完成后打開pytesseract源碼查找 tesseract_cmd = 'tesseract'，修改成

紅色方框里面是剛才安裝的目錄。

然后再運(yùn)行代碼：

from PIL import Imageimport pytesseractimages=Image.open('003.jpg')print(images.size)text=pytesseract.image_to_string(images)print(text)

003.jpg

提取結(jié)果

?

• 如果要提取中文文字還需安裝相關(guān)的新的庫，把下載的中文庫放在 Tesseract-OCR 安裝目錄下的 tessdata 文件夾中。
• 下載鏈接：https://pan.baidu.com/s/1GfspC5uef73B2Oa8YudBgQ

import pytesseractfrom PIL import Imageim_en = Image.open('003.jpg')im_ch = Image.open('004.jpg')print('========識(shí)別字母========')print(pytesseract.image_to_string(im_en), '\n\n')print('========識(shí)別中文========')print(pytesseract.image_to_string(im_ch, lang='chi_sim'))

?

結(jié)果：

?

總結(jié)

以上是生活随笔為你收集整理的图片文字识别工具调研的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。