安裝 Tesseract OCR

• Tesseract OCR 是一款由 Google 團(tuán)隊開發(fā)的開源 OCR（Optical Character Recognition，光學(xué)字符識別）引擎，用于將圖片、PDF 等格式中的文本轉(zhuǎn)換為可編輯的文本格式。自 1985 年首次發(fā)布以來，它已經(jīng)經(jīng)歷了多個版本和改進(jìn)，并成為目前最受歡迎的 OCR 引擎之一。
• Tesseract OCR 支持多種語言，包括英語、中文、日語、俄語等等，而且具有較高的準(zhǔn)確率和穩(wěn)定性，尤其在處理大量文字的場景下表現(xiàn)突出。同時，該引擎還支持多線程處理，可以有效地提高識別速度。
• 下載地址:Home · UB-Mannheim/tesseract Wiki (github.com)
• Windows安裝包: https://digi.bib.uni-mannheim.de/tesseract/tesseract-ocr-w64-setup-5.3.1.20230401.exe

注意： 這是Windows64位系統(tǒng)安裝包.

tesseract源碼的GitHub地址:tesseract-ocr/tesseract: Tesseract Open Source OCR Engine ,有能力的可以自行編譯源代碼

安裝過程

• 雙擊tesseract-ocr-w64-setup-5.3.1.20230401.exe安裝包進(jìn)行安裝

首先是選擇語言界面,默認(rèn)是英文, 沒有中文,有其他國家的語言可以選。

• 點Next

• 點I Agree

• 默認(rèn)為這臺電腦進(jìn)行安裝

• 因為需要在 Tesseract OCR 中識別中文簡體等非英語文本，所有需要安裝相應(yīng)的語言數(shù)據(jù)。

可以只安裝特定語言, 比如中文簡體

• 選擇安裝路徑, 比如我選的是D:\Tesseract-OCR，待會配系統(tǒng)環(huán)境變量可能會用到這個安裝路徑。

• 創(chuàng)建快捷圖標(biāo)

• 安裝中

• Next

• Finish

• 可以在開始菜單欄中看到Console

• 點進(jìn)去就能直接進(jìn)入控制臺了

• 輸入:tesseract --help試試

因為我們不是直接使用命令去操作這個tesseract, 而是使用python去操作它, 因此這個命令行就不用管他, 可以關(guān)掉。接下來為了讓python能直接使用它， 需要檢查系統(tǒng)的環(huán)境變量有沒有設(shè)置好。

在Windows操作系統(tǒng)中，環(huán)境變量用于存儲一些系統(tǒng)或用戶自定義的參數(shù)和路徑信息。這些參數(shù)和路徑信息可以幫助操作系統(tǒng)找到系統(tǒng)中安裝的軟件和程序，以便正確地運行它們。

• 重新開個命令窗口

輸入tesseract -v查看版本號，你可能會出現(xiàn)上面的情況, 就是沒有配置好系統(tǒng)的環(huán)境變量，那就需要配置環(huán)境變量

配置系統(tǒng)的環(huán)境變量

• 以windows10的電腦為例, 打開電腦設(shè)置

• 點擊系統(tǒng), 找到關(guān)于,側(cè)邊有個高級系統(tǒng)設(shè)置, 點擊去

• 可以看到環(huán)境變量, 點進(jìn)去

• 找到系統(tǒng)變量中的Path選中, 再點擊編輯

• 進(jìn)入后點擊新建

• 將安裝路徑復(fù)制進(jìn)去,比如我安裝的路徑為D:\Tesseract-OCR

• 復(fù)制進(jìn)去后點擊確認(rèn)

• 重新進(jìn)入到命令行中

輸入tesseract -v, 若出現(xiàn)版本號則設(shè)置成功

OK， tesseract算是安裝完成了, 接下來使用python去操作它了!

安裝python的第三方庫

Pytesseract庫

• Pytesseract 是一個 Python 的 OCR（Optical Character Recognition，光學(xué)字符識別）庫，可以用來將圖片、PDF 等文件中的文本轉(zhuǎn)換為可編輯的文本格式。它基于 Google 的 Tesseract OCR 引擎，支持多種語言，并且具有較高的準(zhǔn)確率和穩(wěn)定性。
• 安裝 Pytesseract 庫可以使用 pip 工具快速完成。按照以下步驟進(jìn)行操作：
  • 打開命令行工具（Windows: cmd，Linux/macOS: Terminal）。
  • 輸入以下命令來安裝 Pytesseract：

pip install pytesseract

• 等待安裝完成即可。

有一點需要注意的是，Pytesseract 庫依賴于 Tesseract OCR 引擎，因此在安裝 Pytesseract 之前請確保已安裝 Tesseract OCR。如果還沒有安裝 Tesseract OCR，請先下載和安裝它，然后再安裝 Pytesseract。

• 可以使用pip list 命令列出你已經(jīng)安裝的python庫

Pillow庫

• Pillow 是一個功能強(qiáng)大的圖像處理庫，可以處理多種格式的圖像文件，支持圖像處理、圖像增強(qiáng)、圖像轉(zhuǎn)換等多種操作。
• 因為識別圖片需要用到PIL（Python Imaging Library）庫中的 Image 模塊

使用 pip 工具來安裝 Pillow 庫。以下是安裝 Pillow 庫的命令：

pip install pillow

安裝完成后，就可以在 Python 中使用 from PIL import Image 來進(jìn)行圖像處理和操作了。

運行個demo

比如識別這張圖

import pytesseract
from PIL import Image

# 加載圖片
img = Image.open('images/demo.png')

# 轉(zhuǎn)換為灰度圖像
img = img.convert('L')

# 識別文本, 使用pytesseract庫進(jìn)行OCR識別
text = pytesseract.image_to_string(img)

# 輸出識別結(jié)果
print(text)

注意: 默認(rèn)識別英文和數(shù)字

識別效果:

因為都是中文, 識別不出來

• 若要識別中文, 得進(jìn)行配置 (前提是安裝tesseract時要選擇下載好中文簡體數(shù)據(jù)包才能進(jìn)行使用)

import pytesseract
from PIL import Image

# 加載圖片
img = Image.open('images/demo.png')

# 轉(zhuǎn)換為灰度圖像
img = img.convert('L')

# 識別文本, 使用pytesseract庫進(jìn)行OCR識別, 將語言設(shè)置成中文
text = pytesseract.image_to_string(img, lang='chi_sim')
# 輸出識別結(jié)果
print(text)

這個識別的正確率還可以, 這取決于圖片的質(zhì)量和文字的清晰規(guī)整程度

OK， 上述只是簡單的小例子，更多用法可以自行探索， 還可以設(shè)置其他參數(shù)來提高文字的識別正確率！

• 使用說明文檔https://github.com/madmaze/pytesseract/blob/master/README.rst

比如下面是官方的說明例子:

from PIL import Image

import pytesseract

# 如果您的PATH中沒有tesseract可執(zhí)行文件，請包括以下內(nèi)容:
pytesseract.pytesseract.tesseract_cmd = r'<full_path_to_your_tesseract_executable>'
# 示例 tesseract_cmd = r'C:\Program Files (x86)\Tesseract-OCR\tesseract'

# 簡單的圖像轉(zhuǎn)字符串
print(pytesseract.image_to_string(Image.open('test.png')))

# 為了繞過pytesseract的圖像轉(zhuǎn)換，只需使用相對或絕對圖像路徑
# 注意:在這種情況下，您應(yīng)該提供tesseract支持的圖像，否則tesseract將返回錯誤
print(pytesseract.image_to_string('test.png'))

# 可用語言列表
print(pytesseract.get_languages(config=''))

# 將法語文本圖像轉(zhuǎn)換為字符串
print(pytesseract.image_to_string(Image.open('test-european.jpg'), lang='fra'))

# 使用包含多個圖像文件路徑列表的單個文件進(jìn)行批處理
print(pytesseract.image_to_string('images.txt'))

# 在一段時間后超時/終止tesseract作業(yè)
try:
    print(pytesseract.image_to_string('test.jpg', timeout=2)) # 在2秒后超時
    print(pytesseract.image_to_string('test.jpg', timeout=0.5)) # 半秒后超時
except RuntimeError as timeout_error:
    # tesseract處理已終止
    pass

# 獲取邊界框估計
print(pytesseract.image_to_boxes(Image.open('test.png')))

# 獲取詳細(xì)數(shù)據(jù)，包括框、置信度、行和頁碼
print(pytesseract.image_to_data(Image.open('test.png')))

# 獲取有關(guān)方向和腳本檢測的信息
print(pytesseract.image_to_osd(Image.open('test.png')))

# 獲取可搜索的PDF
pdf = pytesseract.image_to_pdf_or_hocr('test.png', extension='pdf')
with open('test.pdf', 'w+b') as f:
    f.write(pdf) # pdf類型默認(rèn)為bytes

# 獲取HOCR輸出
hocr = pytesseract.image_to_pdf_or_hocr('test.png', extension='hocr')

# 獲取ALTO XML輸出
xml = pytesseract.image_to_alto_xml('test.png')

以上就是使用python進(jìn)行圖片的文字識別詳細(xì)代碼的詳細(xì)內(nèi)容，更多關(guān)于python 圖片文字識別的資料請關(guān)注腳本之家其它相關(guān)文章！

最新評論