Python圖像處理之圖片文字識別（OCR）

OCR與Tesseract介紹

  將圖片翻譯成文字通常被稱爲光學文字識別（Optical Character Recognition，OCR）。能夠實現OCR 的底層庫並很少，目前不少庫都是使用共同的幾個底層OCR 庫，或者是在上面進行定製。
  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於世的公司）。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 也具備很高的靈活性。它能夠經過訓練識別出任何字體（只要這些字體的風格保持不變就能夠），也能夠識別出任何Unicode 字符。

Tesseract的安裝與使用

  Tesseract的Windows安裝包下載地址爲： http://digi.bib.uni-mannheim.... ，下載後雙擊直接安裝便可。安裝完後，須要將Tesseract添加到系統變量中。在CMD中輸入tesseract -v, 如顯示如下界面，則表示Tesseract安裝完成且添加到系統變量中。

  Linux 用戶能夠經過apt-get 安裝：

$sudo apt-get tesseract-ocr

  用Tesseract能夠識別格式規範的文字，主要具備如下特色：

• 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）
• 雖然被複印或拍照，字體仍是很清晰，沒有多餘的痕跡或污點
• 排列整齊，沒有歪歪斜斜的字
• 沒有超出圖片範圍，也沒有殘缺不全，或牢牢貼在圖片的邊緣
  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，以下圖：



  接着是稍微有點傾斜的文字圖片th.jpg,識別狀況以下：


能夠看到識別的狀況不如剛纔規範字體的好，可是也能識別圖片中的大部分字母。
  最後是識別簡體中文，須要事先安裝簡體中文語言包，下載地址爲：https://github.com/tesseract-... ,再講chi_sim.traineddata放在C:Program Files (x86)Tesseract-OCRtessdata目錄下。咱們以圖片timg.jpg爲例：

輸入命令：

tesseract E://figures/other/timg.jpg E://figures/other/timg.txt -l chi_sim

識別結果以下：

只識別錯了一個字，識別率仍是不錯的。
  最後加一句，Tesseract對於彩色圖片的識別效果沒有黑白圖片的效果好。

pytesseract

  pytesseract是Tesseract關於Python的接口，可使用pip install pytesseract安裝。安裝完後，就可使用Python調用Tesseract了，不過，你還須要一個Python的圖片處理模塊，能夠安裝pillow.
  輸入如下代碼，能夠實現同上述Tesseract命令同樣的效果：

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)

運行結果以下：

參考文獻

1. Python網絡數據採集 【美】 Ryan Mitchell 人民郵電出版社
2. https://blog.csdn.net/dcrmg/a...
3. http://www.inimei.cn/archives...

注意：本人現已開通微信公衆號：Python爬蟲與算法（微信號爲：easy_web_scrape）， 歡迎你們關注哦~~