处理给规范的文字

Posted 2020-11-19 wanglinjie

ORC库概述

在读取和处理图像、图像相关的机器学习以及创建图像等任务中，Python 一直都是非常出色的语言。虽然有很多库可以进行图像处理，在这里只重点介绍：Tesseract

Tesseract

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，也可以识别出任何 Unicode 字符。

处理给规范的文字

你要处理的大多数文字都是比较干净、格式规范的。格式规范的文字通常可以满足一些需求,不过究竟什么是“格式混乱”,什么算“格式规范”,确实因人而异。 通常,格式规范的文字具有以下特点:

• 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

文字的一些格式问题在图片预处理时可以进行解决。例如,可以把图片转换成灰度图,调 整亮度和对比度,还可以根据需要进行裁剪和旋转（详情请关注图像与信号处理），但是,这些做法在进行更具扩展性的 训练时会遇到一些限制。

示例

 

通过下面的命令运行 Tesseract，读取文件并把结果写到一个文本文件中: tesseract test.jpg text

cat text.txt 即可显示结果。

1 wljdeMacBook-Pro:Desktop wlj$  tesseract test.jpg text
2 Tesseract Open Source OCR Engine v3.05.01 with Leptonica
3 wljdeMacBook-Pro:Desktop wlj$ cat text.txt
4 This is some text, written in Arial, that will be read by
5 Tesseract. Here are some symbols: [email protected]#$%"&*()

 

识别结果很准确,不过符号^分别被表示成了双引号。大体上可以让你很舒服地阅读。

通过Python代码实现

1 import pytesseract
2 from PIL import Image
3 
4 image = Image.open(‘test.jpg‘)
5 text = pytesseract.image_to_string(image)
6 print text

运行结果一样。

对图片进行阈值过滤和降噪处理

很多时候我们在网上会看到这样的图片：

Tesseract 不能完整处理这个图片,主要是因为图片背景色是渐变的,最终结果是这样: 

 

随着背景色从左到右不断加深,文字变得越来越难以识别,Tesseract 识别出的 每一行的最后几个字符都是错的。

遇到这类问题,可以先用 Python 脚本对图片进行清理。利用 Pillow 库,我们可以创建一个 阈值过滤器来去掉渐变的背景色,只把文字留下来,从而让图片更加清晰,便于 Tesseract 读取:

除了一些标点符号不太清晰或丢失了,大部分文字都被读出来了。Tesseract 给出了最好的 结果:

 

This IS some text. written In Arial. that will be ,
Tesseract Here are some symbols: IW“ ’

 

图形验证码识别： 

1 import tesserocr
2 from PIL import Image
3 
4 image = Image.open(‘code.jpg‘)
5 result = tesserocr.image_to_text(image)
6 print(result)

 

在这里我们新建了一个Image对象，调用了tesserocr的image_to_text()方法。传入该Image对象即可完成识别，实现过程非常简单，结果如下所示：

JR42

另外，tesserocr有个更加简单的方法，这个方法可以直接将图片文件转为字符串，代码如下所示：

1 import tesserocr
2 
3 print(tesserocr.file_to_text(‘code.jpg‘))

 

结果为：

.ll?42

此方法是别效果不如上一种方法好。

验证码处理

重新用如下代码测试：

1 import tesserocr
2 from PIL import Image
3 
4 image = Image.open(‘code2.jpg‘)
5 result = tesserocr.image_to_text(image)
6 print(result)

输出结果为：

FFKT

这次是别与实际结果有偏差，这是因为验证码内的多余线条干扰了图片的识别。

对于这种情况，我们还需要做一些处理，如转灰度，二值化处理等操作。

我们可以利用Image对象的convert()方法参数传入L，即可将图像转化为灰度图像，代码如下所示：

1 image = image.convert(‘L‘)
2 image.show()

 

 传入1即可将图片进行二值化处理，如下所示：

1 image = image.convert(‘1‘)
2 image.show()

 

我们还可以指定二值化的阈值，上面的方法采用的是默认阈值127。不过我们不能直接转化原图，要将原图先转化为灰度图像，然后再指定二值化阈值。代码如下：

 

 1 import tesserocr
 2 from PIL import Image
 3 
 4 image = Image.open(‘code2.jpg‘)
 5 
 6 image = image.convert(‘L‘)
 7 threshold = 127
 8 table = []
 9 for i in range(256):
10     if i < threshold:
11         table.append(0)
12     else:
13         table.append(1)
14 
15 image = image.point(table, ‘1‘)
16 image.show()
17 
18 result = tesserocr.image_to_text(image)
19 print(result) 

这里threshold代表二值化阈值，图片验证码黑白分明，识别结果：
PFRT