python实战教程之OCR文字识别方法汇总 |
||||||||||
|
+ 目录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。
方法一： 使用easyocr模块easyocr是基于torch的深度学习模块 easyocr安装后调用过程中出现opencv版本不兼容问题，所以放弃此方案。
方法二：通过pytesseract调用tesseract优点：部署快，轻量级，离线可用，免费 缺点：自带的中文库识别率较低，需要自己建数据进行训练 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python 识别图片上的数字，使用pytesseract库从图像中提取文本，而识别引擎采用 tesseract-ocr。 pytesseract是python包装器，它为可执行文件提供了pythonic API。 1、安装必要的包：
?
2、安装tesseract-ocr的识别引擎 最新版本下载地址： https://github.com/UB-Mannheim/tesseract/wiki
或者更多版本的tesseract下载地址：https://digi.bib.uni-mannheim.de/tesseract/ 安装完后，需要将Tesseract添加到系统变量中。 环境变量： 我的电脑 ->属性 -> 高级系统设置 ->环境变量 ->系统变量 ，在 path 中添加 安装路径。
并将训练好的模型文件 chi_sim.traineddata 放入该目录中，这样安装就完成了。 在命令行 WIN+R 输入cmd ：输入 tesseract -v ,出现版本信息，则配置成功。
tesseract-ocr默认不支持中文识别。支持中文识别.png
3、解决pytesseract 找不到路径的问题。 在自己安装的pytesseract包中，找到pytesseract.py文件
打开pytesseract.py文件，修改 tesseract_cmd 的值：tesseract.exe 的安装路径 。 为了避免其他的错误，使用双反斜杠，或者斜杠
4、简单使用
?
测试图片：
输出结果：
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：
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\tessdata目录下。我们以图片timg.jpg为例：
输入命令：
?
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。
pytesseractpytesseract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：
?
运行结果如下：
cnocr 第二种 Python 开源识别工具的效果两个工具的使用方法和对比效果。
安装 cnocr：
?
看到 Successfully installed xxx 则说明安装成功。 如果你只想对图片中的中文进行识别，那么 cnocr 是一个不错的选择，你只需要安装 cnocr 包即可。 但如果你想试试其他语言的OCR识别，Tesseract 是更好的选择。
cnocr 识别图片的中文cnocr 主要针对的是排版简单的印刷体文字图片，如截图图片，扫描件等。目前内置的文字检测和分行模块无法处理复杂的文字排版定位。 尽管它分别提供了单行识别函数和多行识别函数，但在本人实测下，单行识别函数的效果非常糟糕，或者说要求的条件十分苛刻，基本上连截图的文字都识别不出来。 不过多行识别函数还不错，使用该函数识别的代码如下：
|
