Python+OpenCV+Tesseract实现OCR字符识别

Posted 2022-12-13 Thomas_221126

目录

一、OCR是什么

二、使用步骤

1.下载tesseract

2.安装pytesseract

3.验证测试

结语

参考

---

一、OCR是什么

         光学字符识别（英语：Optical Character Recognition，OCR）是指对文本资料的图像文件进行分析识别处理，获取文字及版面信息的过程。

二、使用步骤

1.下载tesseract

        首先要下载tesseract：Index of /tesseracthttps://digi.bib.uni-mannheim.de/tesseract/

        进入下载页面，可以看到各种exe文件，其中文件名中带有dev的为开发版，不带dev的为稳定版，读者可以按需下载，我这里选择下载5.2.0的版本。

        下载完成后，双击安装，值得注意的是，在安装过程到此页面时，需要勾选“Additional language data(download) ”选项来安装OCR支持识别的语言包，这样OCR便可以识别多国语言。

2.安装pytesseract

   为了能在python中使用tesseract的功能，需要pip安装pytesseract：

pip install pytesseract

        若安装缓慢，可以使用镜像进行安装：

pip install pytesseract -i https://pypi.douban.com/simple

3.验证测试

  接下来，需要验证是否能正常使用OCR功能。使用如下图片为例进行测试：

         测试代码：

from PIL import Image
import pytesseract


text = pytesseract.image_to_string(Image.open('OCR_test.png'), lang='chi_sim')
print(text)

       我们首先利用Image读取了图片文件，然后调用了pytesseract的image_to_string()方法，再将其识别结果输出。

    值得注意的是，image_to_string()方法默认只识别英文，若还要识别中文，添加lang=’chi_sim’参数即可。此外，有可能中文识别出来了，但是乱码，需要相应地将text转换为你所用的中文编码方式，如：text.decode("utf8")就可以了。

       代码运行结果如下：

        如果遇到报错找不到pytesseract，不要慌，问题不大：

             解决方案1:

        1.找到python的安装路径下的pytesseract:

        2.用文本编辑器打开，查找tesseract_cmd

                将原来的 tesseract_cmd = 'tesseract' 改为: tesseract_cmd = 'OCR的安装路径下的tessract.exe'

                例如我的是 tesseract_cmd = r'D:\\software\\Tesseract-OCR\\tesseract.exe'

                注意需要对路径中的斜杠进行转义。

             解决方案2:

                 增加一句代码即可：

from PIL import Image
import pytesseract



# 使用此行代码进行设置，可以不改动pytesseract.py中的源码
pytesseract.pytesseract.tesseract_cmd = r'D:\\software\\Tesseract-OCR\\tesseract.exe'

text = pytesseract.image_to_string(Image.open('OCR_test.png'), lang='chi_sim')
print(text)

---

结语

        至此，便完成了tesseract的安装与使用，就可以进行OCR识别了。

        若识别效果不好，可二值化图像并消除噪声后再识别，此外，image_to_string()方法还有几个其它的参数，还可尝试更改参数以获得更好的识别效果，参数说明可看下面这篇文章：

Tesseract OCR in Python with Pytesseract & OpenCV (nanonets.com)https://nanonets.com/blog/ocr-with-tesseract/

---

参考

1. 光学字符识别 - 维基百科，自由的百科全书 (wikipedia.org)
2. wxPython利用pytesser模块实现图片文字识别
3. Python关于tesseract 安装及使用 - 知乎 (zhihu.com)