前言

python圖像識別一般基礎(chǔ)到的就是tesseract了，在爬蟲中處理驗證碼廣泛使用。

安裝

安裝教程網(wǎng)上大都差不多，Windows下確實比較麻煩，涉及到各種路徑、環(huán)境變量甚至與linux不同的路徑分隔符，所以這里的安裝是基于Centos7。

1. 依賴安裝

yum install -y automake autoconf libtool gcc gcc-c++

2. 安裝leptonica

Leptonica主要用于圖像處理和圖像分析

原則上所有的庫文件都是可以直接用yum安裝的，如果想要具體的某個版本，可以前往官方源下載對應(yīng)版本然后按照對應(yīng)方式編譯

wget http://www.leptonica.org/source/leptonica-1.74.4.tar.gz

tar -zxvf leptonica-1.74.4.tar.gz

cd leptonica-1.74.4/

./configure

make && make install

3. 安裝tesseract

其他各版本可以在這里下載并自行編譯，也提供直接使用的文件。

yum install tesseract

4. 驗證安裝

tesseract --version

5. 語言包下載

前往tesseract-ocr/tessdata下載相應(yīng)的語言包,然后將之移動到tessdata目錄下，可以用whereis tesseract查看一下具體的目錄，我的是/usr/share/tesseract/tessdata/mv *.traineddata /usr/local/share/tessdata/

6. 查看目前已下載的語言

tesseract --list-langs

使用

# tesseract

Usage:

tesseract --help | --help-psm | --help-oem | --version

tesseract --list-langs [--tessdata-dir PATH]

tesseract --print-parameters [options...] [configfile...]

tesseract imagename|stdin outputbase|stdout [options...] [configfile...]

OCR options:

--tessdata-dir PATH Specify the location of tessdata path.

--user-words PATH Specify the location of user words file.

--user-patterns PATH Specify the location of user patterns file.

-l LANG[+LANG] Specify language(s) used for OCR.

-c VAR=VALUE Set value for config variables.

Multiple -c arguments are allowed.

--psm NUM Specify page segmentation mode.

--oem NUM Specify OCR Engine mode.

NOTE: These options must occur before any configfile.

語法

tesseract imagename outputbase [-l lang] [-psm pagesegmode] [configfile...]

imagename：圖片名字

outputbase：指定輸出，如果希望直接輸出而不是保存到文件，那么就使用 stdout，否則這個參數(shù)將會作為保存結(jié)果的文件的前綴

-l指定語言文件，默認(rèn)使用英文

tesseract --print-parameters：查看更多參數(shù)信息

使用-c指定單項參數(shù)的值或者將配置寫入配置文件放在命令最后(支持多個配置文件)

psm 識別圖像的方式

0：定向腳本監(jiān)測（OSD）

1： 使用OSD自動分頁

2 ：自動分頁，但是不使用OSD或OCR（Optical Character Recognition，光學(xué)字符識別）

3 ：全自動分頁，但是沒有使用OSD（默認(rèn)）

4 ：假設(shè)可變大小的一個文本列。

5 ：假設(shè)垂直對齊文本的單個統(tǒng)一塊。

6 ：假設(shè)一個統(tǒng)一的文本塊。

7 ：將圖像視為單個文本行。

8 ：將圖像視為單個詞。

9 ：將圖像視為圓中的單個詞。

10 ：將圖像視為單個字符。

python中使用

Tesseract安裝完成后可以很方便的被Python調(diào)用，但是需要pillow和pytesseract的支持。

python中轉(zhuǎn)換

image_to_data(image, lang=None, config='', nice=0, output_type=Output.STRING)

image Object，由Tesseract處理的圖像的PIL Image/NumPy數(shù)組

lang String，Tesseract語言代碼字符串

config String，任何其他配置字符串，例如：config='--psm 6'

語言文件可以疊加，用“+”隔開

我們也可以在這里進(jìn)行tessdata路徑的設(shè)置，跟在config里面即可

更多配置包括config和psm都和tesseract類似

實例：

流程： 打開圖片，配置，轉(zhuǎn)換，可以通過Image的open或者cv2的imread打開圖片，之后對圖片進(jìn)行對比度增強(qiáng)，降噪等處理，效果會好一些。

from PIL import Image

import pytesseract

class Languages:

CHS = 'chi_sim'

ENG = 'eng'

def img_to_str(image_path, lang=Languages.ENG):

return pytesseract.image_to_string(Image.open(image_path), lang)

print(img_to_str('pic/numu.png', lang=Languages.ENG))

print(img_to_str('pic/pro.png', lang=Languages.ENG))

總結(jié)

簡單的文本識別效果還是不錯的，但是設(shè)計到多空行、符號等，識別效果就不是太好了，準(zhǔn)確度方面可以通過對字庫的訓(xùn)練達(dá)到想要的效果，之后對獲取到的文本利用諸如re等各種庫進(jìn)行操作，其實應(yīng)用還蠻廣泛的。2. 但是它在驗證碼方面的話效果還是不錯的，驗證碼的話tesserocr也是比較方面的.

識別中文可能會出現(xiàn)編碼錯誤，這也是識別上的漏洞之一了，網(wǎng)上大佬們所說的改變文本的編碼似乎并不能解決問題，所以對長文本圖片處理還是不太建議直接轉(zhuǎn)換。

圖文處理也可以借鑒一些各平臺的API，百度、騰訊、美團(tuán)都有支持.

以上就是本文的全部內(nèi)容，希望對大家的學(xué)習(xí)有所幫助，也希望大家多多支持腳本之家。

總結(jié)

以上是生活随笔為你收集整理的python爬虫代码提取图片中的文字_python识别图像并提取文字的实现方法的全部內(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，歡迎將生活随笔推薦給好友。