Python，OpenCV中的光学字符识别（OCR Optical Character Recognition)

Posted 2021-09-06 程序媛一枚~

Python，OpenCV中的光学字符识别（OCR Optical Character Recognition

• 1. 什么是OCR？
• 2. 光学字符识别简史
• 3. 光学字符识别的应用
• 4. OSD 方向和脚本检测
• 5. 前处理和后处理的重要性
• 6. OCR工具和API
• 参考

这篇博客将介绍什么是光学字符识别OCR，介绍OCR发展的简短历史，了解OCR真实的应用场景，了解OCR与方向和脚本检测（OSD）之间的区别。并了解图像预处理和后处理对于提高OCR结果的重要性。

• OSD是任何OCR系统的基本组件。
• 图像预处理和OCR结果后处理步骤，通常用于提高OCR精度。

1. 什么是OCR？

光学字符识别（Optical Character Recognition）简称OCR，是用于描述将文本图像转换为机器编码文本的算法和技术。主要包括以下3步：

1. 接受输入图像（扫描、拍照或计算机生成）；
2. 就像人类“阅读”一样自动检测文本；
3. 将文本转换为机器可读格式，以便在更大的计算机视觉系统范围内对其进行搜索、索引和处理；

OCR表面上看起来很简单，尽管计算机视觉领域已经存在了50多年，但研究人员尚未创建高度准确的通用OCR系统，依然道阻且长。

另外鉴于人类通过书写进行交流的方式有很多细微差别——有自然语言处理（NLP Natural Language Processing）的所有问题，并且计算机视觉系统在从图像读取文本时永远无法获得100%的准确度。噪声、书写风格、图像质量等方面的变量太多。OCR实现并不容易。

2. 光学字符识别简史

• 1914年，早期的OCR技术完全是机械式的，伊曼纽尔·戈德伯格开发了可以读取字符并将其转换为标准电报代码的机器；

• 1920~1930年，伊曼纽尔·戈德伯格开发了搜索缩微胶片（缩小的文档，通常是电影、报纸、期刊等）中的字符OCR。

• 1974年，OCR主要致力于创建“盲人阅读机器”。

• 1980年，惠普（HP）实验室开始研究Tesseract，2005年开源后很快成为世界上最流行的OCR引擎。

• 2010年，Tesseart继续发展，称为长短时记忆（LSTM long short-term memory）网络的专门体系结构极大地提高了OCR的准确性。

  LSTM引擎提供了显著的精度增益，使得即使在较差的非最佳条件下也能准确地识别OCR文本。
  LSTM引擎接受了超过123种语言的培训，使得除英语以外的语言（包括基于脚本的语言，如汉语、阿拉伯语等）进行OCR文本更加容易。

• 2020年，OCR被谷歌、微软和亚马逊等科技巨头日益商业化。

3. 光学字符识别的应用

OCR有许多应用，最初的应用是为盲人创建阅读机器。自那时以来，OCR应用有了显著的发展，包括但不限于：

• 自动车牌识别（ALPR/ANPR Automatic license/number plate recognition）
• 交通标志识别（Traffic sign recognition）
• 分析并击败网站上的CAPTCHA（区分计算机和人类的完全自动化公共图灵测试Analyzing and defeating CAPTCHAs (Completely Automated Public Turing tests to tell Computers and Humans Apart) on websites）
• 从名片中提取信息（Extracting information from business cards）
• 自动读取护照的机器可读区（MRZ machine-readable zone）和其他相关部分（Automatically reading the machine-readable zone and other relevant parts of a passport）
• 解析银行支票中的路由号码、帐号和货币金额（Parsing the routing number, account number, and currency amount from a bank check）
• 理解自然场景中的文本，如从智能手机拍摄的照片（Understanding text in natural scenes such as the photos captured from smartphone ）

4. OSD 方向和脚本检测

OSD：Orientation and Script Detection方向和脚本检测

• OCR是获取输入图像并以人类可读和机器可读格式返回文本的过程；
• OSD是分析图像中文本元数据，特别是方向和脚本/书写风格的过程。
  可以说OSD信息是提高OCR准确性的前置步骤。

文本的方向是输入图像中文本的角度（以度为单位）。为了获得更高的OCR精度，需要应用OSD来确定文本方向，纠正它然后应用OCR。

脚本和书写风格是指用于书面和打字交流的一组字符和符号。OCR系统对特定脚本或书写系统所能做出的任何规则、启发或假设都将使OCR引擎在应用于给定脚本时更加准确。

5. 前处理和后处理的重要性

创建一个成功的OCR应用程序部分是科学，部分是艺术。

尽管 Tesseract OCR引擎的进步，OCR系统可以进行自动分割和页面分析。然而这些系统还是远不如人类智能，人类几乎可以即时解析复杂背景中的文本。

• 如果在OCR前应用一些基本的图像处理操作，如阈值、距离变换和形态学操作，最终将得到清晰的图像。OCR将获得更好的效果；

• 如果先对文本进行适当的清理和分割，OCR系统将更容易识别文本。

• 后处理OCR文本。OCR系统永远不会100%准确，所以应该假设会有一些错误。为了帮助解决这个问题，可以应用一些规则和启发法。

6. OCR工具和API

接下来将介绍4部分内容：

1. 探索世界上最流行的OCR软件包——Tesseract OCR引擎；

Tesseract OCR引擎是一个OCR软件包，最初开发于20世纪80年代，经历了多次修订和更新，现在是世界上最流行的OCR系统。
几乎每种流行编程语言（Java、C/C++、php等）都有Tesseract绑定。

2. 了解Python和 PyTesseract 模块如何使用Tesseract进行推理

PyTesseract库是一个Python包，它是与tesseract命令行进行交互的二进制文件。只需使用一个或两个函数调用，就可以轻松地将Tesseract OCR应用于OCR项目。

3. 了解计算机视觉和图像处理算法对OCR准确性的影响

为提升OCR的准确性，基于计算机视觉和图像处理，使用OpenCV或者Keras, TensorFlow, scikit-learn 对图像进行预处理或者后处理。

• scikit学习库是使用Python训练机器学习模型时使用的标准包。
• Keras和TensorFlow在一个易于使用的API中提供了所有深入学习的能力。

4. 基于云的OCR API调用

当Tesseract从未训练过图像中的某种字体；或者经过预先训练的“现成”模型均不能够正确定位图像中的文本；或者开发自定义OCR可能需要花费太多的精力，可以考虑使用基于云的OCR API，例如微软Azure认知服务、Amazon RekGoNeNoint和谷歌云平台（Google Cloud Platform GCP）API。


缺点是付费使用；需要网络连接才可以提交图像并获取识别结果；有延迟不能用于实时应用；并不拥有整个OCR管道，只能用提供的一部分。

参考

• https://www.pyimagesearch.com/2021/08/09/what-is-optical-character-recognition-ocr/