一、安裝庫(kù)

首先我們需要安裝PIL和pytesseract庫(kù)。
PIL：（Python Imaging Library）是Python平臺(tái)上的圖像處理標(biāo)準(zhǔn)庫(kù)，功能非常強(qiáng)大。
pytesseract：圖像識(shí)別庫(kù)。

我這里使用的是python3.6，PIL不支持python3所以使用如下命令

pip install pytesseract
pip install pillow

如果是python2，則在命令行執(zhí)行如下命令：

pip install pytesseract
pip install PIL

這時(shí)候我們?nèi)ミ\(yùn)行上面的代碼會(huì)發(fā)現(xiàn)如下錯(cuò)誤：

錯(cuò)誤提示的很明顯：
No such file or directory ："tesseract"

這是因?yàn)槲覀儧](méi)有安裝tesseract-ocr引擎

二、tesseract-ocr引擎

光學(xué)字符識(shí)別(OCR,Optical Character Recognition)是指對(duì)文本資料進(jìn)行掃描，然后對(duì)圖像文件進(jìn)行分析處理，獲取文字及版面信息的過(guò)程。OCR技術(shù)非常專業(yè)，一般多是印刷、打印行業(yè)的從業(yè)人員使用，可以快速的將紙質(zhì)資料轉(zhuǎn)換為電子資料。關(guān)于中文OCR，目前國(guó)內(nèi)水平較高的有清華文通、漢王、尚書，其產(chǎn)品各有千秋，價(jià)格不菲。國(guó)外OCR發(fā)展較早，像一些大公司，如IBM、微軟、HP等，即使沒(méi)有推出單獨(dú)的OCR產(chǎn)品，但是他們的研發(fā)團(tuán)隊(duì)早已掌握核心技術(shù)，將OCR功能植入了自身的軟件系統(tǒng)。對(duì)于我們程序員來(lái)說(shuō)，一般用不到那么高級(jí)的，主要在開(kāi)發(fā)中能夠集成基本的OCR功能就可以了。這兩天我查找了很多免費(fèi)OCR軟件、類庫(kù)，特地整理一下，今天首先來(lái)談?wù)凾esseract，下一次將討論下Onenote 2010中的OCR API實(shí)現(xiàn)?？梢栽谶@里查看OCR技術(shù)的發(fā)展簡(jiǎn)史。
Tesseract的OCR引擎最先由HP實(shí)驗(yàn)室于1985年開(kāi)始研發(fā)，至1995年時(shí)已經(jīng)成為OCR業(yè)內(nèi)最準(zhǔn)確的三款識(shí)別引擎之一。然而，HP不久便決定放棄OCR業(yè)務(wù)，Tesseract也從此塵封。
數(shù)年以后，HP意識(shí)到，與其將Tesseract束之高閣，不如貢獻(xiàn)給開(kāi)源軟件業(yè)，讓其重?zé)ㄐ律?005年，Tesseract由美國(guó)內(nèi)華達(dá)州信息技術(shù)研究所獲得，并求諸于Google對(duì)Tesseract進(jìn)行改進(jìn)、消除Bug、優(yōu)化工作。

###安裝tesseract-ocr引擎

brew install tesseract

然后我們通過(guò)tesseract -v看一下是否安裝成成功

tesseract 3.05.01
leptonica-1.75.0
libjpeg 9b : libpng 1.6.34 : libtiff 4.0.9 : zlib 1.2.11

這時(shí)候我們運(yùn)行上面代碼會(huì)出現(xiàn)亂碼

這是因?yàn)?code>tesseract默認(rèn)只有語(yǔ)言包中沒(méi)有中文包，如下圖：

###安裝tesseract-ocr語(yǔ)言包
我們?nèi)itHub下載我們需要的語(yǔ)言包，這里我只下載了chi_tra.traineddata和chi_sim.traineddata
github：tesseract-ocr/tessdata
然后放到/usr/local/Cellar/tesseract/3.05.01/share/tessdata路徑下面。

可以通過(guò)tesseract --list-langs查看本地語(yǔ)言包：

可以通過(guò)tesseract --help-psm 查看psm

0：定向腳本監(jiān)測(cè)（OSD）
1： 使用OSD自動(dòng)分頁(yè)
2 ：自動(dòng)分頁(yè)，但是不使用OSD或OCR（Optical Character Recognition，光學(xué)字符識(shí)別）
3 ：全自動(dòng)分頁(yè)，但是沒(méi)有使用OSD（默認(rèn)）
4 ：假設(shè)可變大小的一個(gè)文本列。
5 ：假設(shè)垂直對(duì)齊文本的單個(gè)統(tǒng)一塊。
6 ：假設(shè)一個(gè)統(tǒng)一的文本塊。
7 ：將圖像視為單個(gè)文本行。
8 ：將圖像視為單個(gè)詞。
9 ：將圖像視為圓中的單個(gè)詞。
10 ：將圖像視為單個(gè)字符。

為什么這里要強(qiáng)調(diào)語(yǔ)言包和psm，因?yàn)槲覀冊(cè)谑褂弥袝?huì)用到，
比如多個(gè)語(yǔ)言包組合并且視為統(tǒng)一的文本塊將使用如下參數(shù)：

pytesseract.image_to_string(image,lang="chi_sim+eng",config="-psm 6")

這里我們通過(guò)+來(lái)合并使用多個(gè)語(yǔ)言包。

接下來(lái)我們看一下配置好一切的正確結(jié)果。

import pytesseract
from PIL import Image

image = Image.open("../pic/c.png")
code = pytesseract.image_to_string(image,lang="chi_sim",config="-psm 6")
print(code)

此時(shí)大公告成。

到此這篇關(guān)于python實(shí)現(xiàn)圖像識(shí)別的示例代碼的文章就介紹到這了,更多相關(guān)python 圖像識(shí)別內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

最新評(píng)論