python-利用pytesseract来识别图片

2024-03-04 21:46:51 / 319 / 编程代码

源码文章地址:https://github.com/lovefc/python-demo/tree/main/图片识别


利用pytesseract来识别图片

windows

python版本:3.8.5

1.首先要安装pytesseract扩展

pip install pytesseract

2.安装tesseract

github上的源码需要自己编译,这里提供一下已编译好的exe包,直接下载使用。

https://digi.bib.uni-mannheim.de/tesseract/

选择对应版本,安装即可,记住路径,这个在代码中是要填写的,语言包安装的时候也要用到。

# 设置 Tesseract OCR 的安装路径(如果它不在系统默认路径中) pytesseract.pytesseract.tesseract_cmd = r'C:\Program Files\Tesseract-OCR\tesseract.exe'

3.安装语言包

默认是不能识别中文的,必须要下载中文语言包。

打开github仓库:https://github.com/tesseract-ocr/tessdata

chi_sim.traineddata就是中文语言包,下载之后,放到tesseract的安装路径下的tessdata目录下。

4.运行py test.py代码,应该就能看到识别内容了。

linux

python版本:3.8.10

1.首先要安装pytesseract扩展

pip install pytesseract

2.安装tesseract

sudo apt install tesseract-ocr

这里是ubuntu安装示例,如果是其它服务器,参考官方的文档

官方安装地址:https://tesseract-ocr.github.io/tessdoc/Installation.html

ubuntu 安装软件后的路径一般都是/usr/share,如果不清楚的可以命令查找

whereis tesseract-ocr

这样可以得到安装路径,安装语言包的时候需要用到。

3.安装语言包

打开github仓库:https://github.com/tesseract-ocr/tessdata

chi_sim.traineddata就是中文语言包,下载之后,放到tesseract的安装路径下的tessdata目录下。

4.运行py test.py代码,应该就能看到识别内容了。

注意问题

识别不是百分百的准确,如果想要正确的识别图片,你需要对图片进行预处理,字符过滤,甚至是模型训练等方法。

图片预处理,例如二值化、去噪、倾斜校正等。这些预处理步骤可以提高图像的质量,从而减少识别错误和不能识别的部分。

下面提供一个简单案例,把彩色图片转成黑白,然后在进行识别。

# coding: utf-8
import pytesseract
from PIL import Image

def filter_and_recognize_image(image_path):
    # 读取图像
    image = Image.open(image_path)
    # 灰度处理
    image = image.convert('L')
    # 设置二值化的阈值
    threshold = 170
    table = []
    for i in range(256):
        if i < threshold:
            table.append(0)
        else:
            table.append(1)
    # 通过表格转换成二进制图片,1的作用是白色,0就是黑色
    image = image.point(table, "1")
    # 进行文本识别
    text = pytesseract.image_to_string(image,lang='chi_sim')
    # 删除冗余字符
    text = text[0:-1]
    return text

# 示例用法
image_path = "test.png"
filtered_text = filter_and_recognize_image(image_path)
print(filtered_text)

只是简单示例,更多使用方法请参考官方文档!

官方文档地址:https://tesseract-ocr.github.io/tessdoc/

gravatar头像