您好,登錄后才能下訂單哦!
Tesseract
Tesseract是一個(gè)光學(xué)字符識(shí)別引擎,支持多種操作系統(tǒng)。Tesseract是基于Apache許可證的自由軟件,自2006 年起由Google贊助開發(fā)。
文字識(shí)別是ORC的一部分內(nèi)容,ORC的意思是光學(xué)字符識(shí)別,通俗講就是文字識(shí)別。Tesseract是一個(gè)用于文字識(shí)別的工具,我們結(jié)合Python使用可以很快的實(shí)現(xiàn)文字識(shí)別。但是在此之前我們需要完成一個(gè)繁瑣的工作。
(1)Tesseract的安裝及配置
在 https://digi.bib.uni-mannheim.de/tesseract/下載Tesseract
有很多版本供大家選擇,大家可以根據(jù)自己的需求選擇。其中w32表示32位系統(tǒng),w64表示64位系統(tǒng),大家選擇合適的版本即可,可能下載速度比較慢。
安裝時(shí)我們需要知道我們安裝的位置,將安裝目錄配置到系統(tǒng)path變量當(dāng)中,我們路徑是D:\CodeField\Tesseract-OCR。
我們右擊我的電腦/此電腦->屬性->高級(jí)系統(tǒng)設(shè)置->環(huán)境變量->Path->編輯->新建然后將我們的路徑復(fù)制進(jìn)去即可。添加好系統(tǒng)變量后后我們還需要依次點(diǎn)確定,這樣才算配置好了。
(2)下載語言包
Tesseract默認(rèn)是不支持中文的,如果想要識(shí)別中文或者其它語言需要下載相應(yīng)的語言包,下載地址如下: https://tesseract-ocr.github.io/tessdoc/Data-Files ,進(jìn)入網(wǎng)站后我們往下翻:
其中有兩個(gè)中文語言包,一個(gè)Chinese-Simplified和Chinese-Traditional,它們分別是簡體中文和繁體中文,我們選擇需要的下載即可。下載完成后我們需要放到Tesseract的路徑下的tessdata目錄下,我們路徑是D:\CodeField\Tesseract-OCR\tessdata。
(3)其它模塊下載
除了上面的步驟,我們還需要下載兩個(gè)模塊:
pip install pytesseract pip install pillow
第一個(gè)是用于文字識(shí)別的,第二個(gè)是用于圖片讀取的。接下來我們就可以進(jìn)行文字識(shí)別了。
文字識(shí)別
(1)單張圖片識(shí)別
接下來的操作就要簡單的多,下面是我們要識(shí)別的圖片:
接下來就是我們文字識(shí)別的代碼:
import pytesseract from PIL import Image # 讀取圖片 im = Image.open('sentence.jpg') # 識(shí)別文字 string = pytesseract.image_to_string(im) print(string)
識(shí)別結(jié)果如下:
Do not go gentle into that good night!
因?yàn)槟J(rèn)是支持英文的,所以我們可以直接識(shí)別,但是當(dāng)我們要識(shí)別中文或其它語言時(shí)就需要做些修改:
import pytesseract from PIL import Image # 讀取圖片 im = Image.open('sentence.png') # 識(shí)別文字,并指定語言 string = pytesseract.image_to_string(im,) print(string)
在識(shí)別時(shí),我們?cè)O(shè)置lang='chi_sim',也就是把語言設(shè)置為簡體中文,只有當(dāng)你的tessdata目錄下有簡體中文包該設(shè)置才會(huì)生效。下面是我們用來識(shí)別的圖片:
識(shí)別結(jié)果如下:
不 要 溫 順 的 走 進(jìn) 那 個(gè) 良 夜
圖片內(nèi)容被準(zhǔn)確識(shí)別出來了。有一點(diǎn)我們需要知道,在我們將語言設(shè)置為簡體中文或其它語言后,Tesseract還是可以識(shí)別出英文字符。
(2)批量圖片識(shí)別
既然我們把單張圖片識(shí)別列出來了,就肯定還有批量圖片識(shí)別這個(gè)功能,這就需要我們準(zhǔn)備一個(gè)txt文件了,比如我有text.txt文件,內(nèi)容如下:
sentence1.jpg sentence2.jpg
我們將代碼修改為如下:
import pytesseract # 識(shí)別文字 string = pytesseract.image_to_string('text.txt',) print(string)
但是這樣自己寫一個(gè)txt文件難免有些麻煩,因此我們又可以進(jìn)行如下修改:
import os import pytesseract # 文字圖片的路徑 path = 'text_img/' # 獲取圖片路徑列表 imgs = [path + i for i in os.listdir(path)] # 打開文件 f = open('text.txt', 'w+', encoding='utf-8') # 將各個(gè)圖片的路徑寫入text.txt文件當(dāng)中 for img in imgs: f.write(img + '\n') # 關(guān)閉文件 f.close() # 文字識(shí)別 string = pytesseract.image_to_string('text.txt',) print(string)
這樣我們只需要傳入一個(gè)文字圖片的根目錄就可以批量進(jìn)行識(shí)別了。在測(cè)試過程中發(fā)現(xiàn),Tesseract對(duì)手寫體、行楷等飄逸的字體識(shí)別不準(zhǔn)確,對(duì)一些復(fù)雜的字識(shí)別也有待提升。
但是宋體、印刷體等筆畫嚴(yán)謹(jǐn)?shù)淖煮w識(shí)別準(zhǔn)確率很高。另外如果圖片的傾斜大于一定的角度,識(shí)別結(jié)果也會(huì)有很大差別。
以上就是python識(shí)別圖片中文字的方法的詳細(xì)內(nèi)容,更多請(qǐng)關(guān)注億速云其它相關(guān)文章!
免責(zé)聲明:本站發(fā)布的內(nèi)容(圖片、視頻和文字)以原創(chuàng)、轉(zhuǎn)載和分享為主,文章觀點(diǎn)不代表本網(wǎng)站立場(chǎng),如果涉及侵權(quán)請(qǐng)聯(lián)系站長郵箱:is@yisu.com進(jìn)行舉報(bào),并提供相關(guān)證據(jù),一經(jīng)查實(shí),將立刻刪除涉嫌侵權(quán)內(nèi)容。