python識別圖像并提取文字的實現方法

更新時間：2019年06月28日 10:54:04 作者：MA木易YA

這篇文章主要介紹了python識別圖像并提取文字的實現方法,

前言

python圖像識別一般基礎到的就是tesseract了，在爬蟲中處理驗證碼廣泛使用。

安裝

安裝教程網上大都差不多，Windows下確實比較麻煩，涉及到各種路徑、環(huán)境變量甚至與linux不同的路徑分隔符，所以這里的安裝是基于Centos7。

1. 依賴安裝

yum install -y automake autoconf libtool gcc gcc-c++

2. 安裝leptonica

Leptonica主要用于圖像處理和圖像分析

原則上所有的庫文件都是可以直接用yum安裝的，如果想要具體的某個版本，可以前往官方源下載對應版本然后按照對應方式編譯

wget http://www.leptonica.org/source/leptonica-1.74.4.tar.gz
tar -zxvf leptonica-1.74.4.tar.gz
cd leptonica-1.74.4/
./configure
make && make install

3. 安裝tesseract

其他各版本可以在這里下載并自行編譯，也提供直接使用的文件。

yum install tesseract

4. 驗證安裝

tesseract --version

5. 語言包下載

前往tesseract-ocr/tessdata下載相應的語言包,然后將之移動到tessdata目錄下，可以用whereis tesseract查看一下具體的目錄，我的是/usr/share/tesseract/tessdata/mv *.traineddata /usr/local/share/tessdata/

6. 查看目前已下載的語言

tesseract --list-langs

使用

# tesseract
Usage:
 tesseract --help | --help-psm | --help-oem | --version
 tesseract --list-langs [--tessdata-dir PATH]
 tesseract --print-parameters [options...] [configfile...]
 tesseract imagename|stdin outputbase|stdout [options...] [configfile...]

OCR options:
 --tessdata-dir PATH  Specify the location of tessdata path.
 --user-words PATH   Specify the location of user words file.
 --user-patterns PATH Specify the location of user patterns file.
 -l LANG[+LANG]    Specify language(s) used for OCR.
 -c VAR=VALUE     Set value for config variables.
            Multiple -c arguments are allowed.
 --psm NUM       Specify page segmentation mode.
 --oem NUM       Specify OCR Engine mode.
NOTE: These options must occur before any configfile.

語法

tesseract imagename outputbase [-l lang] [-psm pagesegmode] [configfile...]

imagename：圖片名字
outputbase：指定輸出，如果希望直接輸出而不是保存到文件，那么就使用 stdout，否則這個參數將會作為保存結果的文件的前綴
-l指定語言文件，默認使用英文
tesseract --print-parameters：查看更多參數信息
使用-c指定單項參數的值或者將配置寫入配置文件放在命令最后(支持多個配置文件)
psm 識別圖像的方式

0：定向腳本監(jiān)測（OSD）

1：使用OSD自動分頁

2 ：自動分頁，但是不使用OSD或OCR（Optical Character Recognition，光學字符識別）

3 ：全自動分頁，但是沒有使用OSD（默認）

4 ：假設可變大小的一個文本列。

5 ：假設垂直對齊文本的單個統一塊。

6 ：假設一個統一的文本塊。

7 ：將圖像視為單個文本行。

8 ：將圖像視為單個詞。

9 ：將圖像視為圓中的單個詞。

10 ：將圖像視為單個字符。

python中使用

Tesseract安裝完成后可以很方便的被Python調用，但是需要pillow和pytesseract的支持。

python中轉換

image_to_data(image, lang=None, config='', nice=0, output_type=Output.STRING)

image Object，由Tesseract處理的圖像的PIL Image/NumPy數組
lang String，Tesseract語言代碼字符串
config String，任何其他配置字符串，例如：config='--psm 6'
語言文件可以疊加，用“+”隔開
我們也可以在這里進行tessdata路徑的設置，跟在config里面即可
更多配置包括config和psm都和tesseract類似

實例：

流程：打開圖片，配置，轉換，可以通過Image的open或者cv2的imread打開圖片，之后對圖片進行對比度增強，降噪等處理，效果會好一些。

from PIL import Image
import pytesseract
class Languages:
  CHS = 'chi_sim'
  ENG = 'eng'
def img_to_str(image_path, lang=Languages.ENG):
  return pytesseract.image_to_string(Image.open(image_path), lang)
print(img_to_str('pic/numu.png', lang=Languages.ENG))
print(img_to_str('pic/pro.png', lang=Languages.ENG))