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，或者是在上面進行定制。

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于世的公司）。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.... ，下載后雙擊直接安裝即可。安裝完后，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可以識別格式規范的文字，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）

? 雖然被復印或拍照，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-... ,再講chi_sim.traineddata放在C:Program Files (x86)Tesseract-OCRtessdata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)

運行結果如下：

參考文獻

注意：本人現已開通微信公眾號：Python爬蟲與算法（微信號為：easy_web_scrape）， 歡迎大家關注哦~~

總結

以上是生活随笔為你收集整理的python文字识别算法_Python图像处理之图片文字识别（OCR）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。