Python OCR工具pytesseract详解
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:
- 图像预处理
- 文本定位
- 字符分割
- 字符识别
- 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
- 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 ...
- 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 ...
- 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 ...
- 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. ...
- 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. ...
- 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. ...
- 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. ...
- 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 ...
- 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
- 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
- java 数值区间_java 各数据类型数值范围
- 图灵十二月书讯 ——年底大餐
- struts2 ibatis Spring系统架构图
- 实现一个用于显示当前时间的Google Android 窗口小部件(AppWidget)
- P4127 [AHOI2009]同类分布
- html美化计算机,职称计算机Dreamwaver教程:CSS样式表滤镜
- 使用Apollo通过WebSocket通过STOMP轻松进行消息传递
- vue-router配置介绍和使用方法(一)
- Java JavaBean
- Rhadoop集群搭建
- CISCO PIX/ASA K8升级K9的方法与步骤
- DDIA - 第5章 数据复制
- 矩阵乘法Java实现
- 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
- 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:
- 2021-2027全球与中国CMF电池市场现状及未来发展趋势
- 【dbv】使用dbv工具检验数据文件是否有坏块
- 机器学习笔记--神经网络--Rosenblatt
- 截止到20190828的前沿汇总
热门文章
- uniswap合约解读和部署
- 如何讲解一个C语言程序,解读第一个C++程序
- 三角函数对应在平面坐标上画圆
- 刚晋升为部门经理,我要如何领导下属影响上级?
- 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...
- VSCode下载及安装
- Fabric.js添加辅助线的方法
- alios下载_AliOS-Things ESP8266 编译下载
- unreal world 皮革_Unreal World猎鹿记
- 微信小程序3-模板与配置