Python，OpenCV中的光學字符識別（OCR Optical Character Recognition

• 1. 什么是OCR？
• 2. 光學字符識別簡史
• 3. 光學字符識別的應用
• 4. OSD 方向和腳本檢測
• 5. 前處理和后處理的重要性
• 6. OCR工具和API
• 參考

這篇博客將介紹什么是光學字符識別OCR，介紹OCR發展的簡短歷史，了解OCR真實的應用場景，了解OCR與方向和腳本檢測（OSD）之間的區別。并了解圖像預處理和后處理對于提高OCR結果的重要性。

• OSD是任何OCR系統的基本組件。
• 圖像預處理和OCR結果后處理步驟，通常用于提高OCR精度。

1. 什么是OCR？

光學字符識別（Optical Character Recognition）簡稱OCR，是用于描述將文本圖像轉換為機器編碼文本的算法和技術。主要包括以下3步：

接受輸入圖像（掃描、拍照或計算機生成）；

就像人類“閱讀”一樣自動檢測文本；

將文本轉換為機器可讀格式，以便在更大的計算機視覺系統范圍內對其進行搜索、索引和處理；

OCR表面上看起來很簡單，盡管計算機視覺領域已經存在了50多年，但研究人員尚未創建高度準確的通用OCR系統，依然道阻且長。

另外鑒于人類通過書寫進行交流的方式有很多細微差別——有自然語言處理（NLP Natural Language Processing）的所有問題，并且計算機視覺系統在從圖像讀取文本時永遠無法獲得100%的準確度。噪聲、書寫風格、圖像質量等方面的變量太多。OCR實現并不容易。

2. 光學字符識別簡史

• 1914年，早期的OCR技術完全是機械式的，伊曼紐爾·戈德伯格開發了可以讀取字符并將其轉換為標準電報代碼的機器；

• 1920~1930年，伊曼紐爾·戈德伯格開發了搜索縮微膠片（縮小的文檔，通常是電影、報紙、期刊等）中的字符OCR。

• 1974年，OCR主要致力于創建“盲人閱讀機器”。

• 1980年，惠普（HP）實驗室開始研究Tesseract，2005年開源后很快成為世界上最流行的OCR引擎。

• 2010年，Tesseart繼續發展，稱為長短時記憶（LSTM long short-term memory）網絡的專門體系結構極大地提高了OCR的準確性。

  LSTM引擎提供了顯著的精度增益，使得即使在較差的非最佳條件下也能準確地識別OCR文本。
  LSTM引擎接受了超過123種語言的培訓，使得除英語以外的語言（包括基于腳本的語言，如漢語、阿拉伯語等）進行OCR文本更加容易。

• 2020年，OCR被谷歌、微軟和亞馬遜等科技巨頭日益商業化。

3. 光學字符識別的應用

OCR有許多應用，最初的應用是為盲人創建閱讀機器。自那時以來，OCR應用有了顯著的發展，包括但不限于：

• 自動車牌識別（ALPR/ANPR Automatic license/number plate recognition）
• 交通標志識別（Traffic sign recognition）
• 分析并擊敗網站上的CAPTCHA（區分計算機和人類的完全自動化公共圖靈測試Analyzing and defeating CAPTCHAs (Completely Automated Public Turing tests to tell Computers and Humans Apart) on websites）
• 從名片中提取信息（Extracting information from business cards）
• 自動讀取護照的機器可讀區（MRZ machine-readable zone）和其他相關部分（Automatically reading the machine-readable zone and other relevant parts of a passport）
• 解析銀行支票中的路由號碼、帳號和貨幣金額（Parsing the routing number, account number, and currency amount from a bank check）
• 理解自然場景中的文本，如從智能手機拍攝的照片（Understanding text in natural scenes such as the photos captured from smartphone ）

4. OSD 方向和腳本檢測

OSD：Orientation and Script Detection方向和腳本檢測

• OCR是獲取輸入圖像并以人類可讀和機器可讀格式返回文本的過程；
• OSD是分析圖像中文本元數據，特別是方向和腳本/書寫風格的過程。
  可以說OSD信息是提高OCR準確性的前置步驟。

文本的方向是輸入圖像中文本的角度（以度為單位）。為了獲得更高的OCR精度，需要應用OSD來確定文本方向，糾正它然后應用OCR。

腳本和書寫風格是指用于書面和打字交流的一組字符和符號。OCR系統對特定腳本或書寫系統所能做出的任何規則、啟發或假設都將使OCR引擎在應用于給定腳本時更加準確。

5. 前處理和后處理的重要性

創建一個成功的OCR應用程序部分是科學，部分是藝術。

盡管 Tesseract OCR引擎的進步，OCR系統可以進行自動分割和頁面分析。然而這些系統還是遠不如人類智能，人類幾乎可以即時解析復雜背景中的文本。

• 如果在OCR前應用一些基本的圖像處理操作，如閾值、距離變換和形態學操作，最終將得到清晰的圖像。OCR將獲得更好的效果；

• 如果先對文本進行適當的清理和分割，OCR系統將更容易識別文本。

• 后處理OCR文本。OCR系統永遠不會100%準確，所以應該假設會有一些錯誤。為了幫助解決這個問題，可以應用一些規則和啟發法。

6. OCR工具和API

接下來將介紹4部分內容：

探索世界上最流行的OCR軟件包——Tesseract OCR引擎；

Tesseract OCR引擎是一個OCR軟件包，最初開發于20世紀80年代，經歷了多次修訂和更新，現在是世界上最流行的OCR系統。
幾乎每種流行編程語言（Java、C/C++、PHP等）都有Tesseract綁定。

了解Python和 PyTesseract 模塊如何使用Tesseract進行推理

PyTesseract庫是一個Python包，它是與tesseract命令行進行交互的二進制文件。只需使用一個或兩個函數調用，就可以輕松地將Tesseract OCR應用于OCR項目。

了解計算機視覺和圖像處理算法對OCR準確性的影響

為提升OCR的準確性，基于計算機視覺和圖像處理，使用OpenCV或者Keras, TensorFlow, scikit-learn 對圖像進行預處理或者后處理。

• scikit學習庫是使用Python訓練機器學習模型時使用的標準包。
• Keras和TensorFlow在一個易于使用的API中提供了所有深入學習的能力。

基于云的OCR API調用

當Tesseract從未訓練過圖像中的某種字體；或者經過預先訓練的“現成”模型均不能夠正確定位圖像中的文本；或者開發自定義OCR可能需要花費太多的精力，可以考慮使用基于云的OCR API，例如微軟Azure認知服務、Amazon RekGoNeNoint和谷歌云平臺（Google Cloud Platform GCP）API。


缺點是付費使用；需要網絡連接才可以提交圖像并獲取識別結果；有延遲不能用于實時應用；并不擁有整個OCR管道，只能用提供的一部分。

參考

• https://www.pyimagesearch.com/2021/08/09/what-is-optical-character-recognition-ocr/

總結

以上是生活随笔為你收集整理的Python，OpenCV中的光学字符识别（OCR Optical Character Recognition)的全部內容，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站內容還不錯，歡迎將生活随笔推薦給好友。