利用Python来实现图像识别已经图像处理功能!完虐80%的图片!
OCR与Tesseract介绍 将图片翻译成文字一般被称为光学文字识别(Optical Character Recognition,OCR)。可以实现OCR 的底层库并不多,目前很多库都是使用共同的几个底层OCR 库,或者是在上面进行定制。 Tesseract 是一个OCR 库,目前由Google 赞助(Google 也是一家以OCR 和机器学习技术闻名于世的公司)。Tesseract 是目前公认最优秀、最精确的开源OCR 系统。 除了极高的精确度,Tesseract 也具有很高的灵活性。它可以通过训练识别出任何字体(只要这些字体的风格保持不变就可以),也可以识别出任何Unicode 字符。 Tesseract的安装与使用 Tesseract的Windows安装包下载地址为: http://digi.bib.uni-mannheim.de/tesseract/tesseract-ocr-setup-4.00.00dev.exe ,下载后双击直接安装即可。安装完后,需要将Tesseract添加到系统变量中。在CMD中输入tesseract -v,如显示以下界面,则表示Tesseract安装完成且添加到系统变量中。 Linux 用户可以通过apt-get 安装: 进群:548377875 ?即可获取数十套PDF哦! 源码也可以私信! $sudo apt-get tesseract-ocr 用Tesseract可以识别格式规范的文字,主要具有以下特点:
下面将给出几个tesseract识别图片中文字的例子。 首先是E://figures/other/poems.jpg,输入命令 tesseract E://figures/other/poems.jpg E://figures/other/poems.txt, 则会将poems.jpg中的识别文字写入到poems.txt中,如下图: poems.jpg 接着是稍微有点倾斜的文字图片th.jpg,识别情况如下: 可以看到识别的情况不如刚才规范字体的好,但是也能识别图片中的大部分字母。 最后是识别简体中文,需要事先安装简体中文语言包,下载地址为:https://github.com/tesseract-ocr/tessdata/find/master/chi_sim.traineddata,再讲chi_sim.traineddata放在C:Program Files (x86)Tesseract-OCR essdata目录下。我们以图片timg.jpg为例: 输入命令: tesseract E://figures/other/timg.jpg E://figures/other/timg.txt -l chi_sim 识别结果如下: 只识别错了一个字,识别率还是不错的。 最后加一句,Tesseract对于彩色图片的识别效果没有黑白图片的效果好。 pytesseract pytesseract是Tesseract关于Python的接口,可以使用pip install pytesseract安装。安装完后,就可以使用Python调用Tesseract了,不过,你还需要一个Python的图片处理模块,可以安装pillow. 输入以下代码,可以实现同上述Tesseract命令一样的效果: import pytesseract from PIL import Image pytesseract.pytesseract.tesseract_cmd = 'C://Program Files (x86)/Tesseract-OCR/tesseract.exe' text = pytesseract.image_to_string(Image.open('E://figures/other/poems.jpg')) print(text) 运行结果(部分)如下: (编辑:李大同) 【声明】本站内容均来自网络,其相关言论仅代表作者个人观点,不代表本站立场。若无意侵犯到您的权利,请及时与联系站长删除相关内容! |