OCR1：開源庫

OCR （Optical Character Recognition，光學字符識別）是指電子設備（例如掃描儀或數碼相機）檢查紙上打印的字符，經過檢測暗、亮的模式肯定其形狀，而後用字符識別方法將形狀翻譯成計算機文字的過程。優秀的開源OCR軟件包括：

• Tesseract：本來由惠普開發的圖像識別類庫tesseract-ocr已經更新到2.04， 就是最近Google支持的那個OCR。原先是惠普寫的，如今Open source了。
• OCRopus：Ocropus的（TM）是一個先進的文件分析和OCR系統，採用可插入的佈局分析，可插入的字符識別，天然語言統計建模和多語言支持功能。
• Cuneiform：Cuneiform 是一個 OCR 文字識別系統的商標，最開始是由Cognitive 技術所開發的運行在 Windows 下的軟件。而這個項目是該軟件在 Linux 系統下的移植版本。
• GOCR：GOCR 是一個開源的OCR光學識別程序。
• OCRFeeder：OCRFeeder 是 GNOME 桌面下的一個開源 OCR 套件。可將紙質或者圖形文檔轉成電子文檔。
• Lios：linux-intelligent-ocr-solution (Lios) 是Linux下一個開源的 OCR 解決方案，可將打印的文檔轉成可編輯的文本。

雲服務商提供服務：

• 百度OCR: https://cloud.baidu.com/doc/OCR/OCR-Python-SDK.html
• Azure圖像識別：https://azure.microsoft.com/zh-cn/services/cognitive-services/computer-vision/
• 阿里雲OCR: https://www.aliyun.com/product/cdi/
• 騰訊OCR：https://cloud.tencent.com/product/ocr

OpenCV VS tesseract：

• opencv：專一機器視覺
• tesseract：專一字符識別

因爲tesserocr在windows環境下會出現各類不兼容問題，而且與pycharm虛擬環境不兼容等問題，因此在windows系統環境下，選擇pytesseract模塊進行安裝 

Tesseract

---

 Tesserocr 是Python的一個OCR庫，但實際上是對tesseract作的一層Python API的封裝，因此他的核心是tesseract。所以，在安裝tesserocr以前，咱們須要先安裝tesseract。 實際使用tesseract ocr也有兩種方式：1- 動態庫方式 libtesseract  2  - 執行程序方式 tesseract.exe

安裝過程：

• 在Windows下,首選須要下載tesseract，它爲tesserocr提供支持，在「https://digi.bib.uni-mannheim.de/tesseract/」 ，而後選擇3.05.02版本進行下載。其中文件名中帶有 dev 的爲開發版本，不帶 dev 的爲穩定版本，能夠選擇下載不帶 dev 的版本，例如能夠選擇下載tesseract-ocr-setup-3.05.02-20180621.exe
• 若是不是作英文的圖文識別，還須要下載其餘語言的識別包  https://github.com/tesseract-ocr/tessdata 下載

安裝Tesseract

---

• 下載Tesseract-OCR引擎，注意要3.0以上才支持中文哦，按照提示安裝就行。
• 既然是要訓練中文，記得勾選 additional language data，以下圖：

• 找到中文簡體和中文繁體，按需勾選，而後點下一步。能夠先不勾選，由於這樣直接下載語言的包實在太慢。能夠從網頁上直接下載語言包,而後等程序安裝好後，放入安裝目錄下tessdata目錄下面，以下圖：

配置：

• 在環境變量的系統變量和我的用戶的PATH，把tesseract-ocr的安裝路徑（如 C:\Program Files (x86)\Tesseract-OCR;）添加進去
• 在windows系統你還須要將testdata目錄也加入環境變量，TESSDATA_PREFIX=C:\Program Files (x86)\Tesseract-OCR\tessdata

驗證安裝：

• 打開命令終端，輸入：tesseract -v，能夠看到版本信息

落地驗證：

• 直接下載：https://raw.githubusercontent.com/Python3WebSpider/Testtess/master/image.png 而後，將圖片下載下來並保存爲image.png，而後使用tesseract命令進行測試
• 命令：tesseract image.png 1    （image.png 表明待識別的源文件，1表明輸出文件名，默認輸出格式是txt文件格式！）

 

python用tesseract-ocr作圖像識別

---

  須要導入兩個庫，這是別人寫好的封裝好的庫文件。

• 須要用到兩個庫：pytesseract和PIL
• 還須要安裝識別引擎tesseract-ocr

Python-tesseract： 是Tesseract OCR引擎的Python封裝類。可以讀取任何常規的圖片文件(JPG, GIF ,PNG , TIFF等)並解碼成可讀的語言。在OCR處理期間不會建立任何臨文件

PIL （Python Imaging Library）：是 Python 中最經常使用的圖像處理庫。

python對圖像的處理比較常見的是用 pytesseract 識別驗證碼，要安裝pytesseract庫，必須先安裝其依賴的 PIL 及 tesseract-ocr，其中PIL爲圖像處理庫，然後面的tesseract-ocr則爲google的ocr識別引擎。

• 命令：pip install pillow   目前PIL的官方最新版本爲1.1.7，支持的版本爲python 2.5, 2.6, 2.7，並不支持python3，經查詢python3.X用pillow代替，進入DOS命令行窗口，敲入如下代碼
• 命令：pip install pytesseract

示例代碼：

import pytesseract from PIL import Image as img text = pytesseract.image_to_string(img.open('image.png')) print(text)

 

示例結果：

帶中文圖片示例（示例圖片是從百度圖片上下載的）：

 中文效果並不理想，下一節介紹訓練過程

相關連接：

---

• tesserocr GitHub: https://github.com/sirfz/tesserocr
• tesserocr PyPI: https://pypi.python.org/pypi/tesserocr
• tesseract 下載地址： https://digi.bib.uni-mannheim.de/tesseract/
• tesseract GitHub : https://github.com/tesseract-ocr/tesseract
• tesseract 語言包 ： https://github.com/tesseract-ocr/tessdata
• tesseract 文檔 ： https://github.com/tesseract-ocr/tesseract/wiki/Documentation

參考資料：

---

• https://www.itcodemonkey.com/article/4516.html
• https://www.oschina.net/news/40027/6-opensource-ocr-tools
• https://testerhome.com/topics/16305
• http://www.javashuo.com/article/p-dwilyquz-ev.html
• http://www.javashuo.com/article/p-xrdghaya-cq.html