Python识别验证码,基于Tesseract实现图片文字识别
一.简介
Tesseract是一个开源的文本识别【OCR】引擎,可通过Apache 2.0许可获得。它可以直接使用,或者使用API从图像中提取打印的文本,支持多种语言。该软件包包含一个ORC引擎【libtesseract】和一个命令行程序【tesseract】。Tesseract4添加了一个新的基于LSTM的OCR引擎,该引擎专注于行识别,但仍支持Tesseract 3的传统Tesseract OCR引擎,该引擎通过识别字符模式进行工作。通过使用传统OCR引擎模式【--oem 0】,可以与Tesseract 3兼容。它还需要训练好的数据文件对旧引擎进行支持,例如tessdata目录下的数据文件。
特点:
1.具有Unicode【UTF-8】支持,并且可以“开箱即用”地识别100多种语言。
2.支持各种输出格式,纯文本,hOCR【HTML】,PDF,仅不可见文本的PDF,TSV。Master分支还对ALTO【XML】输出提供实验性支持。
3.在许多情况下,要想获得更好的OCR结果,需要提高提供给Tesseract的图像的质量。
二.在python环境中安装pytesseract
安装成功!
三.在Windows系统下安装Tesseract
配置环境变量:
备注:最新的为4.1.0,建议安装4.x版本,根据一可知,版本4有重大升级,系统性能显著提升,特别是在对中文的识别上更是明显!
四.python代码实现
1 # -*- coding: utf-8 -*-2 """3 Spyder Editor4 5 This is a temporary script file.6 """7 8 import pytesseract9 from PIL import Image 10 11 #打开验证码图片 12 image = Image.open('E:\\testData\\tess\\1.png') 13 #加载一下图片防止报错,此处可以省略 14 #image.load() 15 #调用show来展示图片,调试用此处可以省略 16 #image.show() 17 text = pytesseract.image_to_string(image,lang='chi_sim') 18 print(text)
五.Python环境执行结果【无数据清洗】
20 a 志 口 吴 吊 5 达 吊 园康 阮 随 阮 随 随 阮 隆 随 阮 阮 庞 应 阮 院 阮 阮 际 阮 阮 院 院 阮 庞宇 B B B B B B B B B B E胡 胡 胡 胡 胡 胡 胡 胡 胡 胡 脱 医剧 澈 剖 剖 亨 亨 定 亨 宣 河宇 B B B B E E E E E E 振产 莲主 主 主 主 主 主 主 主 主 主 生 交E E E E E E E E E E E35653职 职 职 职 职 职 职 职 职 职 EE E E E E E E E E E 093View Code
部分示例:
可知对中文的识别一塌糊涂,因此建议还是使用版本4进行识别!
六.使用Java程序调用ImageIO进行数据预处理
1 package zhen;2 import java.awt.Color;3 import java.awt.image.BufferedImage;4 import java.io.File;5 import java.io.FileInputStream;6 import java.io.IOException;7 8 import javax.imageio.ImageIO;9 10 11 public class LineMark{12 public static void clean(String fromPath,String toPath) throws IOException{13 File file1 = new File(fromPath);14 BufferedImage image = ImageIO.read(file1);15 16 BufferedImage sourceImg =ImageIO.read(new FileInputStream(file1)); // 获取图片的长宽17 int width = sourceImg.getWidth();18 int height = sourceImg.getHeight();19 20 /**21 * 创建3维数组用于保存图片rgb数据22 */23 int[][][] array = new int[width][height][3];24 for(int i=0;i<width;i++){ // 获取图片中所有像素点的rgb25 for(int j=0;j<height;j++){26 int pixel = image.getRGB(i, j); //获得坐标(i,j)的像素27 int red = (pixel & 0xff0000) >> 16; 28 int green = (pixel & 0xff00) >> 8;29 int blue = (pixel & 0xff); //通过坐标(i,j)的像素值获得r,g,b的值 30 array[i][j][0] = red;31 array[i][j][1] = green;32 array[i][j][2] = blue;33 }34 }35 36 /**37 * 清除表格线:38 * 竖线:绝大多数点的x值都为25539 */40 for(int i=0;i<width;i++){41 int nums = 0;42 for(int j=0;j<height;j++){43 if(array[i][j][0]<128 && array[i][j][1]<128 && array[i][j][2]<128){44 nums += 1;45 }46 }47 if(nums > height * 0.8){48 for(int n=0;n<height;n++){49 array[i][n][0] = 255;50 array[i][n][1] = 255;51 array[i][n][2] = 255;52 }53 }54 }55 /**56 * 清除表格线:57 * 横线:绝大多数点的y值都为25558 */59 for(int j=0;j<height;j++){60 int nums = 0;61 for(int i=0;i<width;i++){62 if(array[i][j][0]<128 && array[i][j][1]<128 && array[i][j][2]<128){63 nums += 1;64 }65 }66 if(nums > height * 0.8){67 for(int n=0;n<width;n++){68 array[n][j][0] = 255;69 array[n][j][1] = 255;70 array[n][j][2] = 255;71 }72 }73 }74 /**75 * 大点76 */77 for(int i=0;i<width;i++){78 for(int j=0;j<height;j++){79 int cover = new Color(array[i][j][0],array[i][j][1],array[i][j][2]).getRGB();80 image.setRGB(i,j,cover);81 }82 }83 File file2 = new File(toPath);84 ImageIO.write(image, "png", file2);85 }86 87 /**88 * 测试89 * @param args90 */91 public static void main(String[] args){92 String fromPath = "E:\\testData\\tess\\111.png";93 String toPath = "E:\\testData\\tess\\112.png";94 try {95 LineMark.clean(fromPath,toPath);96 } catch (IOException e) {97 e.printStackTrace();98 }99 } 100 }
七.执行结果
处理之前:
处理之后:
八.使用Tesseract 4 API进行文字识别
1 package zhen;2 import java.awt.Rectangle;3 import java.awt.image.BufferedImage;4 import java.io.File;5 import java.io.FileInputStream;6 import java.io.FileOutputStream;7 import java.io.IOException;8 import javax.imageio.ImageIO;9 import net.sourceforge.tess4j.*; 10 import org.apache.poi.xssf.usermodel.*; 11 12 public class RP { 13 private String a0=""; 14 15 public void toExcel(int i,XSSFWorkbook wb,XSSFSheet sheet,int len) //将文字信息做成表格 16 { 17 for(int j=0;j<len;j++){ 18 String[] array = this.a0.split("\n"); // 分行 19 for(int k=0;k<array.length;k++){ 20 XSSFRow row = sheet.createRow(k); // 创建一行 21 String[] array2 = array[k].split(" "); 22 for(int m=0;m<array2.length;m++){ 23 row.createCell(m).setCellValue(array2[m]); 24 } 25 } 26 } 27 } 28 public static void main(String[] args) throws IOException { 29 RP rp = new RP(); 30 int num = 1; 31 32 File root = new File("E:\\testData\\tess2");//存放处理后的图片,imgs文件夹 33 File res = new File("E:\\testData\\tess");//源图片位置,res文件夹下 34 35 ITesseract instance = new Tesseract(); 36 instance.setLanguage("chi_sim"); //使用训练好中文字库识别 37 38 XSSFWorkbook wb = new XSSFWorkbook(); 39 XSSFSheet sheet = wb.createSheet("信息汇总"); 40 try { 41 File[] ress = res.listFiles(); 42 int i=0; 43 for(File file : ress){ 44 i++; 45 LineMark.clean(file.getAbsolutePath(),"E:\\testData\\tess2\\"+i+".png"); 46 } //去除源图片表格线,处理后的图片放到img文件夹 47 48 File[] files = root.listFiles(); 49 for (File file : files) { //对去除水印后的图片逐个处理 50 BufferedImage sourceImg =ImageIO.read(new FileInputStream(file)); // 获取图片的长宽 51 int width = sourceImg.getWidth(); 52 int height = sourceImg.getHeight(); 53 Rectangle ret = new Rectangle(0,0,width,height); //识别全部数据 54 55 String result = instance.doOCR(file, ret); //开始采用doOCR(file)效率很低,因为图片内容太多 56 int len = 0; 57 if(result != null){ 58 len = result.split(" ").length; 59 rp.a0 = result; 60 } 61 System.out.print(result); 62 rp.toExcel(num,wb,sheet,len); //调用toExcel函数,将提取到的信息写入 63 num++; 64 } 65 } catch (TesseractException e) { 66 System.err.println(e.getMessage()); 67 } 68 69 try { 70 FileOutputStream fout = new FileOutputStream("D:\\software\\company.xlsx"); 71 wb.write(fout); 72 fout.close(); 73 } catch (IOException e) { 74 e.printStackTrace(); 75 } //把写好信息的表输出 76 } 77 78 }
九.不数据清洗执行结果
十.数据清洗执行结果
经过对比可以明显看出,表格线对识别的影响很大【其它形式的干扰也同样如此,例如:验证码上的干扰线、图案等】,因此,数据清洗必不可少!
十一.分析
从上面的执行结果可知,在使用Tesseract 4时,在数据尽可能的清晰的情况下,大部分汉字还是能识别出来的,只是在【数字0】和【标点符号。】,【英语g】和【数字9】等外形相识的地方识别不清楚!当然,模型还有提升的空间,下一步将提升对存在格式倾斜或拍照的图片进行识别的能力!
Python识别验证码,基于Tesseract实现图片文字识别相关推荐
- 【基于pytesseract进行图片文字识别】
基于pytesseract进行图片文字识别 前言 一.模块pytesseract实现图片文字OCR识别过程 1.了解 2.下载 3.后续添加语言 4.下载相应的库 二.使用步骤 总结 前言 我有一个图 ...
- Python人工智能之图片识别,一行代码实现图片文字识别
我们以识别诗词为例 下面是我们要识别的图片 先看下效果图 我们运行代码后识别的结果,有几个字没有正确识别,但是大多数字都能识别出来. 一行代码就能识别图片,我们背后要做些准备工作的 •这里我们需要用到 ...
- python 百度ai批量识别_Python基于百度AI的文字识别的示例
Python基于百度AI的文字识别的示例 使用百度AI的文字识别库,做出的调用示例,其中filePath是图片的路径,可以自行传入一张带有文字的图片,进行识别. 下载baidu-aip这个库,可以直接 ...
- python图像识别系统_Python图像处理之图片文字识别功能(OCR)
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 ...
- python 百度云文字识别 proxy_Python基于百度AI的文字识别的示例
Python基于百度AI的文字识别的示例 发布时间:2020-10-03 14:52:27 来源:脚本之家 阅读:66 使用百度AI的文字识别库,做出的调用示例,其中filePath是图片的路径,可以 ...
- Java 使用开源类库 Tesseract 实现图片文字识别
Tesseract-OCR支持中文识别,并且开源和提供全套的训练工具,是快速低成本开发的首选.Tess4J则是Tesseract在Java上的应用.Tess4J的官网地址为:http://tess4j ...
- 英文识别 java_Java-百度API的图片文字识别(支持英文)
PS: 基于Java 1.8 版本控制:maven 使用之前需要获取对应的项目API_KEY,SECRET_KEY,这些参数在使用API的时候必须用到,用于生成access_token. 如何获取这些 ...
- (python)实现一个简单的图片文字识别脚本
文章目录 截图 文字识别## 访问剪切板 总结 快毕业了,除了准备答辩之外,就是看看书,各种瞎晃~ 那么,这两天在看书的时候遇到这么个问题: 首先,部分电子版的书籍是以扫描图片的形式展现的,在阅读过程 ...
- python文字识别算法_Python图像处理之图片文字识别(OCR)
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 ...
最新文章
- 大话卷积神经网络CNN,小白也能看懂的深度学习算法教程,全程干货建议收藏!...
- sudo及其配置文件sudoers
- hdu-5794 A Simple Chess(容斥+lucas+dp)
- Spark Shuffle Write阶段磁盘文件分析
- Javascript面向对象研究心得
- rust盖错了怎么拆除_细说Rust错误处理
- python列表append()函数
- 毕业设计——第三章 开发方法及系统实现(6)(完结)
- 转:Ajax与CustomErrors的尴尬
- HDU 3480 Division(斜率DP裸题)
- 【Java】 环境变量如何配置?
- mybatis 插件
- 软件测试自我评价模版,软件测试简历自我评价填写样本
- html当当网上书店,当当网上书店案例代码+css+js+images
- 中国各地高考难度地图:最难的省份不出所料!
- Windows 技术篇-资源管理器文件默认排序设置,通用文件夹排序设置
- matlab如何使用源代码,rosenbrock函数的matlab源程序代码是怎么样的?
- 全球经济寒冬将至?且看顶级资本大鳄的大数据分析预测
- python123判断ip地址合法性_判断IP地址的合法性
- jQuery mobile插件基础知识笔记
热门文章
- ffmpeg下载直播流
- BGP/MPLS *** Option B 跨域研究实验
- 对中级 Linux 用户有用的 20 个命令
- 线段树 + 字符串Hash - Codeforces 580E Kefa and Watch
- 容器编排技术 -- Kubernetes kubectl create 命令详解
- python中、if语句的下一句一定要缩进吗_【python公开课|Python if else对缩进的要求是什么,想做好python,就一定要看这个文章】- 环球网校...
- WinForm和WPF使用log4net
- c语言 数组循环左移m位
- JavaScript异步编程【中】 -- Promise 详细解析
- 【Linux】在Linux环境下使用VSCode调试C/C++程序