Python基于Tesseract實現(xiàn)識別文字功能的方法

這篇文章主要講解了Python基于Tesseract實現(xiàn)識別文字功能的方法，內(nèi)容清晰明了，對此有興趣的小伙伴可以學(xué)習(xí)一下，相信大家閱讀完之后會有幫助。

機(jī)器視覺

從Google的無人駕駛汽車到可以識別假鈔的自動售賣機(jī)，機(jī)器視覺一直都是一個應(yīng)用廣泛且具有深遠(yuǎn)的影響和雄偉的愿景的領(lǐng)域。

這里我們將重點介紹機(jī)器視覺的一個分支：文字識別。介紹如何用一些Python庫來識別和使用在線圖片中的文字。

我們可以很輕松的閱讀圖片里的文字，但是機(jī)器閱讀這些圖片就會非常困難，利用這種人類用戶可以正常讀取但是大多數(shù)存貯器沒法讀取的圖片，這時驗證碼（CAPTCHA）就出現(xiàn)了。驗證碼讀取的難易程序也大不相同。

將圖像翻譯成文字一般被稱為光學(xué)文字識別（Optical Character Recognition，OCR）?？梢詫崿F(xiàn)OCR的底層庫并不多，目前很多庫都是使用共同的幾個底層OCR庫，或者是在上面進(jìn)行定制。

OCR庫概述

在讀取和處理圖像、圖像相差的機(jī)器學(xué)習(xí)以及創(chuàng)建圖像等任務(wù)中，Python一直都是非常出色的語言。雖然有很多庫可以進(jìn)行圖像處理，但是這里我們只介紹Tesseract庫。

Tesseract

Tesseract是一個OCR庫，目前由Google贊助。Tesseract是目前公認(rèn)最優(yōu)秀、最精確的開源OCR系統(tǒng)。除了極高的精確度，Tesseract也具有很高的靈活性。它可以通過訓(xùn)練識別出任何字體，也可以識別出任何Unicode字符。

安裝Tesseract：Windows系統(tǒng)

下載可執(zhí)行安裝文件安裝即可。

安裝pytesseract

Tesseract是一個Python的命令行工具，不是通過import語句導(dǎo)入的庫。安裝之后，要用tesseract命令在Python的外面運(yùn)行，但我們可以通過pip安裝支持Python版本的Tesseract庫：

pip install pytesseract

處理規(guī)范的文字

你要處理的大多數(shù)文字都是比較干凈、格式規(guī)范的。格式霍英東的文字通常具有以下特點：

使用統(tǒng)一的標(biāo)準(zhǔn)字體（不包含手寫體、草書或者十分“花哨”的字體），復(fù)印或者拍照但是字體清晰、沒有多余的痕跡或者污點。

排列整齊，沒有歪歪斜斜的字。

沒有超出圖片范圍，也沒有殘缺不全，或緊緊貼在圖片的邊緣。

文字的一些格式問題在圖片預(yù)處理時可以進(jìn)行解決。例如，可以把圖片轉(zhuǎn)換成灰度圖，調(diào)整亮度和對比度，還可以根據(jù)需要進(jìn)行裁剪和旋轉(zhuǎn)，在這里不作介紹。

示例：

英文：

F:DE209_F>tesseract english.jpg text
Tesseract Open Source OCR Engine v4.00.00alpha with Leptonica
 
F:DE209_F>type text.txt
This is some text, written in Arial, that will be read by
Tesseract. Here are some symbols: !@#$%"&*()

識別結(jié)果的準(zhǔn)確率還是挺高的。

通過Python代碼實現(xiàn)

英文：

中文：

#!/usr/bin/python3
# -*- coding:utf-8 -*- 
import pytesseract
from PIL import Image
 
# 打開圖像：英文
image = Image.open('english.jpg')
 
# OCR識別：lang默認(rèn)英文
text = pytesseract.image_to_string(image)
 
# 打印識別后的文本
print(text)
 
# 我是分割線
print("*" * 30)
 
# 打開圖像：英文
image = Image.open('china.png')
 
# OCR識別：lang指定中文
text = pytesseract.image_to_string(image, lang = 'chi_sim')
 
# 打印識別后的文本
print(text)

運(yùn)行結(jié)果：

This is some text, written in Arial, that will be read by
Tesseract. Here are some symbols: !@#$%"&*()
******************************
中 華 人 民 共 和 國

看完上述內(nèi)容，是不是對Python基于Tesseract實現(xiàn)識別文字功能的方法有進(jìn)一步的了解，如果還想學(xué)習(xí)更多內(nèi)容，歡迎關(guān)注億速云行業(yè)資訊頻道。