用Python进行图文识别(OCR)

火山方舟向量数据库增长营销

作者: jclian,本人从事Python已一年多,是Python爱好者,喜欢算法,热爱分享,希望能结交更多志同道合的朋友,一起在学习Python的道路上走得更远!

OCR与Tesseract介绍

  将图片翻译成文字一般被称为光学文字识别 (Optical Character Recognition,OCR ) 。可以实现OCR 的底层库并不多,目前很多库都是使用共同的几个底层OCR 库,或者是在上面进行定制。
Tesseract 是一个OCR 库,目前由Google 赞助(Google 也是一家以OCR 和机器学习技术闻名于世的公司)。Tesseract 是目前公认最优秀、最精确的开源OCR 系统。
除了极高的精确度,Tesseract 也具有很高的灵活性。它可以通过训练识别出任何字体(只要这些字体的风格保持不变就可以),也可以识别出任何Unicode 字符。

Tesseract的安装与使用

  Tesseract的Windows安装包下载地址为: http://digi.bib.uni-mannheim.de/tesseract/tesseract-ocr-setup-4.00.00dev.exe ,下载后双击直接安装即可。安装完后,需要将Tesseract添加到系统变量中。在CMD中输入tesseract -v, 如显示以下界面,则表示Tesseract安装完成且添加到系统变量中。

picture.image

  Linux 用户可以通过apt-get 安装:


        
$sudo apt-get tesseract-ocr  

    
 用Tesseract可以识别格式规范的文字,主要具有以下特点: 
  • 使用一个标准字体(不包含手写体、草书,或者十分“花哨的”字体
  • 虽然被复印或拍照,字体还是很清晰,没有多余的痕迹或污点
  • 排列整齐,没有歪歪斜斜的字
  • 没有超出图片范围,也没有残缺不全,或紧紧贴在图片的边缘

  下面将给出几个tesseract识别图片中文字的例子。

  首先是 E://figures/other/poems.jpg , 输入命令: tesseract E://figures/other/poems.jpg E://figures/other/poems.txt , 则会将 poems.jpg 中的识别文字写入到 poems.txt 中,如下图:

picture.image poems.jpg

picture.image

picture.image

  接着是稍微有点倾斜的文字图片th.jpg,识别情况如下:

picture.image

picture.image

可以看到识别的情况不如刚才规范字体的好,但是也能识别图片中的大部分字母。最后是识别简体中文,需要事先安装简体中文语言包,下载地址为:

https://github.com/tesseract-ocr/tessdata/find/master/chi\_sim.traineddata ,再讲 chi_sim.traineddata 放在 C:Program Files (x86)Tesseract-OCR essdata 目录下。我们以图片timg.jpg为例:

picture.image

输入命令:


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

    

识别结果如下:

picture.image

只识别错了一个字,识别率还是不错的。最后加一句,Tesseract对于彩色图片的识别效果没有黑白图片的效果好。

pytesseract

  pytesseract是Tesseract关于Python的接口,可以使用pip install pytesseract安装。安装完后,就可以使用Python调用Tesseract了,不过,你还需要一个Python的图片处理模块,可以安装pillow.
输入以下代码,可以实现同上述Tesseract命令一样的效果:


          
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)  

      

运行结果(部分)如下:

picture.image

参考文献

  1. 《Python网络数据采集》 【美】 Ryan Mitchell 人民邮电出版社
  2. https://blog.csdn.net/dcrmg/article/details/78233459?locationNum=7&fps=1
  3. http://www.inimei.cn/archives/297.html

picture.image

§

§

Python中文社区作为一个去中心化的全球技术社区,以成为全球20万Python中文开发者的精神部落为愿景,目前覆盖各大主流媒体和协作平台,与阿里、腾讯、百度、微软、亚马逊、开源中国、CSDN等业界知名公司和技术社区建立了广泛的联系,拥有来自十多个国家和地区数万名登记会员,会员来自以公安部、工信部、清华大学、北京大学、北京邮电大学、中国人民银行、中科院、中金、华为、BAT、谷歌、微软等为代表的政府机关、科研单位、金融机构以及海内外知名公司,全平台近20万开发者关注。

最近热门

数据解读谁是直男们心中的女神

分类模型评估的方法及Python实现

我分析了虎嗅网5万篇文章,发现这些秘密

我爬取分析美团网,原来北京上海Top10美食是它们

金州勇士4年3冠的成功秘诀!Python数据可视化分析告诉你答案

投稿邮箱:pythonpost@163.com

picture.image

▼ 点击下方阅读原文,免费成为 社区注册 会员

0
0
0
0
关于作者
关于作者

文章

0

获赞

0

收藏

0

相关资源
KubeZoo: 轻量级 Kubernetes 多租户方案探索与实践
伴随云原生技术的发展,多个租户共享 Kubernetes 集群资源的业务需求应运而生,社区现有方案各有侧重,但是在海量小租户的场景下仍然存在改进空间。本次分享对现有多租户方案进行了总结和对比,然后提出一种基于协议转换的轻量级 Kubernetes 网关服务:KubeZoo,该方案能够显著降低多租户控制面带来的资源和运维成本,同时提供安全可靠的租户隔离性。
相关产品
评论
未登录
看完啦,登录分享一下感受吧~
暂无评论