pytesseract是基于Python的OCR工具， 底层使用的是Google的Tesseract-OCR 引擎，支持识别图片中的文字，支持jpeg, png, gif, bmp, tiff等图片格式。本文介绍如何使用pytesseract 实现图片文字识别。

目录

  • 引言
  • 环境配置
    • 1. 安装Google Tesseract
    • 2. 安装pytesseract
  • 文字识别小例子
  • 获取文字位置信息
  • 多语言识别
    • 使用方法
    • 训练数据
  • OCR选项
    • 图片分割模式（PSM）
    • OCR引擎模式（OEM）
  • 方向及语言检测OSD
  • 提取数字
  • 字符白名单
  • 字符黑名单
  • 格式转换

引言

OCR（Optical character recognition，光学字符识别）是一种将图像中的手写字或者印刷文本转换为机器编码文本的技术。通过数字方式存储文本数据更容易保存和编辑，可以存储大量数据，比如1G的硬盘可以存储数百万本书。

OCR技术可以将图片，纸质文档中的文本转换为数字形式的文本。OCR过程一般包括以下步骤：

  1. 图像预处理
  2. 文本定位
  3. 字符分割
  4. 字符识别
  5. 后处理

最初由惠普开发，后来Google赞助的开源OCR引擎 tesseract 提供了比较精确的文字识别API，本文将要介绍的Python库Pytesseract就是基于Tesseract-OCR 引擎。

环境配置

环境要求：

  • Python 3.6+
  • PIL库
  • 安装Google Tesseract OCR
  • 系统：windows/mac/linux，我的系统是Windows10

1. 安装Google Tesseract

Tesseract OCR github地址：https://github.com/tesseract-ocr/tesseract

Windows Tesseract下载地址：https://digi.bib.uni-mannheim.de/tesseract/

Mac和Linux安装方法参考：https://tesseract-ocr.github.io/tessdoc/Installation.html

安装时可以选择需要的语言包：

安装完成后，添加到环境变量PATH中，我的安装路径是：C:\Program Files\Tesseract-OCR 。

命令行窗口输入：tesseract ，查看是否安装成功。

$ tesseract
Usage:tesseract --help | --help-extra | --versiontesseract --list-langstesseract imagename outputbase [options...] [configfile...]OCR options:-l LANG[+LANG]        Specify language(s) used for OCR.
NOTE: These options must occur before any configfile.Single options:--help                Show this help message.--help-extra          Show extra help for advanced users.--version             Show version information.--list-langs          List available languages for tesseract engine.

2. 安装pytesseract

Python tesseract：https://github.com/madmaze/pytesseract

pip安装pytesseract

pip install pytesseract

另外需要安装一下Pillow库，用于图像处理。

pip install Pillow

文字识别小例子

先准备一张包含英文字符的图片，下面的代码实现提取图片中的中文和英文字符，并识别为字符串：

import pytesseract
try:from PIL import Image
except ImportError:import Image# 列出支持的语言
print(pytesseract.get_languages(config=''))print(pytesseract.image_to_string(Image.open('test.png'), lang='chi_sim+eng'))

识别下面图片中的文字（test.png）：

执行结果：

['chi_sim', 'eng', 'osd']
拳 列出支持的语言
print(pytesseract.get_languages (config=”))print(pytesseract.image_to_string(Image.open('test.png'), lang='chi_sim+eng'))

获取文字位置信息

image_to_boxes() 方法返回识别到的字符及字符边框信息。image_to_data() 返回单词及单词位置信息。下面来看看这两种方法的执行效果，识别下图中的中文字符：

img = Image.open('testimg2.png')
print(pytesseract.image_to_boxes(img, output_type=Output.STRING, lang='chi_sim'))
print("#"*30)
print(pytesseract.image_to_data(img, output_type=Output.STRING, lang='chi_sim'))

执行结果：

生 63 211 80 227 0
存 81 209 118 227 0
是 122 211 139 226 0
文 126 200 154 231 0
明 142 210 157 226 0
的 162 209 197 227 0
第 200 217 218 219 0
一 221 209 236 226 0
需 217 200 253 231 0
要 239 209 259 226 0
。 260 211 266 216 0
猜 325 64 364 82 0
疑 364 64 481 82 0
链 373 54 393 86 0
和 383 54 403 86 0
技 403 54 435 86 0
术 419 54 451 86 0
爆 441 54 477 86 0
炸 469 54 485 86 0##############################
level   page_num    block_num   par_num line_num    word_num    left    top width   height  conf    text
1   1   0   0   0   0   0   0   566 279 -1
2   1   1   0   0   0   63  52  203 18  -1
3   1   1   1   0   0   63  52  203 18  -1
4   1   1   1   1   0   63  52  203 18  -1
5   1   1   1   1   1   63  52  55  18  96  生存
5   1   1   1   1   2   122 53  17  15  96  是
5   1   1   1   1   3   126 48  31  31  96  文明
5   1   1   1   1   4   162 52  35  18  96  的
5   1   1   1   1   5   200 60  18  2   91  第
5   1   1   1   1   6   221 53  15  17  93  一
5   1   1   1   1   7   217 48  42  31  93  需要
5   1   1   1   1   8   260 63  6   5   91  。
2   1   2   0   0   0   325 197 156 18  -1
3   1   2   1   0   0   325 197 156 18  -1
4   1   2   1   1   0   325 197 156 18  -1
5   1   2   1   1   1   325 197 156 18  94  猜疑
5   1   2   1   1   2   373 193 20  32  77  链
5   1   2   1   1   3   383 193 20  32  92  和
5   1   2   1   1   4   403 193 48  32  96  技术
5   1   2   1   1   5   441 193 44  32  94  爆炸

根据image_to_data() 方法返回的位置信息，下面来标出识别出的词语位置。

import numpy as np
import pytesseract
from pytesseract import Output
import cv2try:from PIL import Imagefrom PIL import ImageDrawfrom PIL import ImageFont
except ImportError:import Imageimg = cv2.imread('testimg2.png')gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
thresh = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU)[1]
cnts = cv2.findContours(thresh, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
cnts = cnts[0] if len(cnts) == 2 else cnts[1]width_list = []
for c in cnts:_, _, w, _ = cv2.boundingRect(c)width_list.append(w)
wm = np.median(width_list)tess_text = pytesseract.image_to_data(img, output_type=Output.DICT, lang='chi_sim')
for i in range(len(tess_text['text'])):word_len = len(tess_text['text'][i])if word_len > 1:world_w = int(wm * word_len)(x, y, w, h) = (tess_text['left'][i], tess_text['top'][i], tess_text['width'][i], tess_text['height'][i])cv2.rectangle(img, (x, y), (x + world_w, y + h), (255, 0, 0), 1)im = Image.fromarray(img)draw = ImageDraw.Draw(im)font = ImageFont.truetype(font="simsun.ttc", size=18, encoding="utf-8")draw.text((x, y - 20), tess_text['text'][i], (255, 0, 0), font=font)img = cv2.cvtColor(np.array(im), cv2.COLOR_RGB2BGR)cv2.imshow("TextBoundingBoxes", img)
cv2.waitKey(0)

执行结果：

另外说明一下， ImageFont.truetype(font="simsun.ttc", size=18, encoding="utf-8") 用于设置字体及编码格式，原因是draw.text() 默认使用ISO-8859-1（latin-1）编码，中文需要使用UTF-8编码。Windows中，字体存放路径一般为C:\Windows\Fonts ，已经添加到了环境变量，直接写字体名称就可以了，simsun.ttc 表示宋体。

如果不知道字体对应名称可以进入注册表查看：运行窗口或者命令行窗口输入regedit打开注册表，进入如下路径：HKEY_LOCAL_MACHINE\SOFTWARE\Microsoft\Windows NT\CurrentVersion\Fonts ，可以查看对应字体文件名称。

多语言识别

使用方法

图片中可能包含了多种语言，比如在上面的例子中，图片包含了中文和英文，lang='chi_sim+eng' 表示识别简体中文和英文。

简体中文chi_sim是在安装tesseract时勾选的，get_languages() 方法列出了支持的语言，也可以在命令行窗口执行 tesseract --list-langs 查看支持的语言：

$ tesseract --list-langs
List of available languages (3):
chi_sim
eng
osd

除了使用 lang='chi_sim+eng' 方式指定语言外，也可以使用config='-l chi_sim+eng' 形式：

img = Image.open('test.png')
config = r'-l chi_sim+eng --psm 6'
print(pytesseract.image_to_string(img, config=config))

执行结果和前面一样。

训练数据

如果需要下载其它语言包，可以到这里https://tesseract-ocr.github.io/tessdoc/Data-Files下载。

Tesseract 提供了三种训练数据：

训练数据 训练模型 识别速度 正确率
tessdata_fast LSTM 最快 最低
tessdata_best LSTM 最慢 最高
tessdata Legacy + LSTM 中等 略低于tesdata -best

根据自己的需要下载需要的模型文件，将traineddata文件放在 C:\Program Files\Tesseract-OCR\tessdata 目录（Tesseract安装目录）下就可以了。

tessdata_best可用来再训练字库，训练方法参考文档：https://tesseract-ocr.github.io/tessdoc/tess4/TrainingTesseract-4.00.html。

OCR选项

多语言识别中使用了 -l 和 --psm 选项，tesseract还支持更多的OCR选项。

OCR选项：

  • --tessdata-dir PATH：Specify the location of tessdata path.
  • --user-words PATH：Specify the location of user words file.
  • --user-patterns PATH：Specify the location of user patterns file.
  • --dpi VALUE：Specify DPI for input image.
  • -l LANG[+LANG]：Specify language(s) used for OCR.
  • -c VAR=VALUE：Set value for config variables. Multiple -c arguments are allowed.
  • --psm NUM：Specify page segmentation mode.
  • --oem NUM：Specify OCR Engine mode.

在pytesseract中的使用方法是添加config参数：config='--psm 0 -c min_characters_to_try=5'

下面介绍一下psm和oem这两个选项。

图片分割模式（PSM）

tesseract有13种图片分割模式（page segmentation mode，psm）：

  • 0 – Orientation and script detection (OSD) only. 方向及语言检测（Orientation and script detection，OSD)
  • 1 – Automatic page segmentation with OSD. 自动图片分割
  • 2 – Automatic page segmentation, but no OSD, or OCR. 自动图片分割，没有OSD和OCR
  • 3 – Fully automatic page segmentation, but no OSD. (Default) 完全的自动图片分割，没有OSD
  • 4 – Assume a single column of text of variable sizes. 假设有一列不同大小的文本
  • 5 – Assume a single uniform block of vertically aligned text. 假设有一个垂直对齐的文本块
  • 6 – Assume a single uniform block of text. 假设有一个对齐的文本块
  • 7 – Treat the image as a single text line. 图片为单行文本
  • 8 – Treat the image as a single word. 图片为单词
  • 9 – Treat the image as a single word in a circle. 图片为圆形的单词
  • 10 – Treat the image as a single character. 图片为单个字符
  • 11 – Sparse text. Find as much text as possible in no particular order. 稀疏文本。查找尽可能多的文本，没有特定的顺序。
  • 12 – Sparse text with OSD. OSD稀疏文本
  • 13 – Raw line. Treat the image as a single text line, bypassing hacks that are Tesseract-specific. 原始行。将图像视为单个文本行。

OCR引擎模式（OEM）

有4种OCR引擎模式：

  • 0 – Legacy engine only.
  • 1 – Neural nets LSTM engine only.
  • 2 – Legacy + LSTM engines.
  • 3 – Default, based on what is available.

方向及语言检测OSD

Tesseract支持方向及语言检测（Orientation and script detection，OSD) ，比如检测下面的图片：

osd = pytesseract.image_to_osd('osd-example.png',config='--psm 0 -c min_characters_to_try=5')
print(osd)

其中 min_characters_to_try 表示设置最小字符数，默认为50。

执行结果：

Page number: 0
Orientation in degrees: 90
Rotate: 270
Orientation confidence: 0.74
Script: Han
Script confidence: 0.83

结果是旋转了270度，识别到的语言为中文Han。

提取数字

只提取下面图片中的数字：

img = Image.open('number-example.png')
config = r'--oem 3 --psm 6 outputbase digits'
osd = pytesseract.image_to_string(img, config=config)
print(osd)

执行结果：

1200-.41194-.
4-.1200000011994933.
-1199402181199322071199251119915241119907238-119853209
1119450495
.-11941637

字符白名单

只检测特定的字符：只检测数字

img = Image.open('number-example.png')
config = r'-c tessedit_char_whitelist=0123456789 --psm 6'
print(pytesseract.image_to_string(img, config=config))

执行结果：

12001194
12000000
11994933
11994018
11993207
11992851
11991541
11990738
11985309
11945049
11941637

发现识别精度比 outputbase digits 方法更加准确。

字符黑名单

不检测数字：

img = Image.open('number-example.png')
config = r'-c tessedit_char_blacklist=0123456789 --psm 6'
print(pytesseract.image_to_string(img, config=config, lang='chi_sim'))

执行结果：

胶片很快冲出来了，他开始查看哪张值得放大洗成照片，
在第一张就发现了一件离奇的事。一个倒计时。倒计时从小时开始，到现在还剩余 小时。这张拍的是一个大商场外的一小片草地，他看到底片正中
有一行白色的东西，细看是一排数字:  :  :第二张底片上也有数字: l]:  :  -。第三张: l : : lg，第四张:  :  :  ，第五张: ] :  : l;第六张:  : : l，第七张: l : o : g ;第八张: lg :  :  ;第三十四张: : :第三十六张，也是最后一张:  :  :

格式转换

pytesseract 支持将图片转换为PDF、HOCR以及ALTO XML格式。

pdf = pytesseract.image_to_pdf_or_hocr('testimg2.png', extension='pdf')
with open('test.pdf', 'w+b') as f:f.write(pdf)hocr = pytesseract.image_to_pdf_or_hocr('testimg2.png', extension='hocr')
xml = pytesseract.image_to_alto_xml('testimg2.png')

--THE END--

世人多巧, 心茫茫然。 by 王阳明

Python OCR工具pytesseract详解相关推荐

  1. java运行python脚本_java中执行python脚本工具类详解

    java中执行python脚本工具类,需要jython.jar import java.io.FileInputStream; import java.io.IOException; import j ...

  2. python ocr安装_详解Python安装tesserocr遇到的各种问题及解决办法

    tesseract的安装及配置 在python爬虫过程中,难免遇到各种各样的验证码问题,最简单的就是 ​这种验证码了,那么在遇到验证码的时候该怎么办呢?我们就需要ocr技术了,ocr-即optical ...

  3. OCR引擎Tesseract以及pytesseract详解及实例

    OCR引擎Tesseract以及pytesseract详解及实例 目录 OCR引擎Tesseract以及pytesseract详解及实例 谷歌开源OCR引擎Tesseract Tesseract的安装 ...

  4. python跳一跳编程构造_python实现微信跳一跳辅助工具步骤详解

    说明 1.windows上安装安卓模拟器,安卓版本5.1以上 2.模拟器里下载安装最新的微信6.6.1 3.最好使用python2.7,python3的pyhook包有bug,解决比较麻烦 步骤 1. ...

  5. python hook pc微信_python实现微信跳一跳辅助工具步骤详解

    说明 1.windows上安装安卓模拟器,安卓版本5.1以上 2.模拟器里下载安装最新的微信6.6.1 3.最好使用python2.7,python3的pyhook包有bug,解决比较麻烦 步骤 1. ...

  6. python实现微信hook_python实现微信跳一跳辅助工具步骤详解

    说明 1.windows上安装安卓模拟器,安卓版本5.1以上 2.模拟器里下载安装最新的微信6.6.1 3.最好使用python2.7,python3的pyhook包有bug,解决比较麻烦 步骤 1. ...

  7. python hook 微信_python实现微信跳一跳辅助工具步骤详解

    说明 1.windows上安装安卓模拟器,安卓版本5.1以上 2.模拟器里下载安装最新的微信6.6.1 3.最好使用python2.7,python3的pyhook包有bug,解决比较麻烦 步骤 1. ...

  8. python 自动化-Python API 自动化实战详解(纯代码)

    主要讲如何在公司利用Python 搞API自动化. 1.分层设计思路 dataPool :数据池层,里面有我们需要的各种数据,包括一些公共数据等 config :基础配置 tools : 工具层 co ...

  9. Python 中 with 用法详解

    浅谈 Python 的 with 语句:https://developer.ibm.com/zh/articles/os-cn-pythonwith/ python3,浅谈with的神奇魔法:http ...

最新文章

  1. pandas使用groupby函数计算dataframe数据中每个分组的滚动统计值(rolling statistics)的语法：例如分组的N天滚动平均值、滚动中位数、滚动最大最小值、滚动加和等
  2. java 数值区间_java 各数据类型数值范围
  3. 图灵十二月书讯 ——年底大餐
  4. struts2 ibatis Spring系统架构图
  5. 实现一个用于显示当前时间的Google Android 窗口小部件（AppWidget）
  6. P4127 [AHOI2009]同类分布
  7. html美化计算机,职称计算机Dreamwaver教程：CSS样式表滤镜
  8. 使用Apollo通过WebSocket通过STOMP轻松进行消息传递
  9. vue-router配置介绍和使用方法（一）
  10. Java JavaBean
  11. Rhadoop集群搭建
  12. CISCO PIX/ASA K8升级K9的方法与步骤
  13. DDIA - 第5章 数据复制
  14. 矩阵乘法Java实现
  15. ns手柄pc驱动_功能特点可以打满屏！北通宙斯白金版无线游戏手柄体验
  16. matlab最简矩阵,Matlab中，将矩阵A化为行最简阶梯型矩阵，需借助指令：
  17. 2021-2027全球与中国CMF电池市场现状及未来发展趋势
  18. 【dbv】使用dbv工具检验数据文件是否有坏块
  19. 机器学习笔记--神经网络--Rosenblatt
  20. 截止到20190828的前沿汇总

热门文章

  1. uniswap合约解读和部署
  2. 如何讲解一个C语言程序,解读第一个C++程序
  3. 三角函数对应在平面坐标上画圆
  4. 刚晋升为部门经理，我要如何领导下属影响上级？
  5. 基于HTML+CSS制作静态页面【剪纸文化15页】传统文化设计题材 dreamweaver制作静态html网页设计作业作品...
  6. VSCode下载及安装
  7. Fabric.js添加辅助线的方法
  8. alios下载_AliOS-Things ESP8266 编译下载
  9. unreal world 皮革_Unreal World猎鹿记
  10. 微信小程序3-模板与配置