深入学习使用ocr算法识别图片中文字的方法

  公司有个需求,简单点说需要从一张图片中识别出中文,通过python来实现,当然其他程序也行,只要能实现,而小编主要学习python,所以就提了python。一个小白在网上遨游了一天,终于找到一丝丝思绪,特意在此分享,希望大神提出宝贵的意见。

  今天还是在学习OCR算法中,但是好像自己摸索确实比较难一点,而且python实现图片中文识别的方法还是不多,所以我打算记录一下自己学习的过程。今天看到一个菜鸟都可以用的开源项目,那就是OCR开源项目tesseract,可能对于还是菜鸟的我来说,最好不过了,可以试试此项目,还可以看看源码,何乐而不为呢!

  OCR开源项目很多,给大家一个链接,这个链接列出了现有的比较出名的OCR开源项目,链接如下:

https://en.wikipedia.org/wiki/Comparison_of_optical_character_recognition_software

  从上面的排名可以看到,Tesseract是排在第一名的!所以下面就认真学习一下Tesseract。首先介绍一下Tesseract,然后安装,测试,了解其不足等等。

     Tesseract的OCR引擎目前已作为开源项目发布在Google Project,
其项目主页在这里查看https://github.com/tesseract-ocr, 

    它支持中文OCR,并提供了一个命令行工具。python中对应的包是
pytesseract. 通过这个工具我们可以识别图片上的文字。

一    Tesseract的安装测试使用

1.1   小编的开发环境如下:

  • windows 7 
  • python 3.6
  • pycharm

 

1.2   下载安装包

  首先下载Tesseract在Windows下的安装版。(因为在国外访问不了谷歌,所以别人FQ下载了下来,这里给大家百度网盘链接)

http://pan.baidu.com/s/1i56Uxlr

  根据https://github.com/tesseract-ocr/tesseract/wiki,找到非官方的安装包,好像只看到64位的安装包    http://digi.bib.uni-mannheim.de/tesseract/tesseract-ocr-setup-4.00.00dev.exe,下载后直接安装即可,但是要记得你的安装目录,我们等会配置环境变量要用。

  如果不是做英文的图文识别,还需要下载其他语言的识别包https://github.com/tesseract-ocr/tesseract/wiki/Data-Files。

  简体字识别包:https://raw.githubusercontent.com/tesseract-ocr/tessdata/4.00/chi_sim.traineddata

  繁体字识别包:https://github.com/tesseract-ocr/tessdata/raw/4.0/chi_tra.traineddata

 

安装python对应的包:pytesseract

pip install pytesseract

1.3    安装Tesseract

  下载下来之后一路Next安装好,然后在开始菜单找到其控制台引导程序,如下图所示:

使用Tesseract ocr有两种方式:
    动态库方式 libtesseract和执行程序方式 tesseract.exe

    小编使用的是第二个方式,也方便Python调用(主要是小编比较菜)。

  

 1.4   测试英文字符识别

  上面的安装包里自带了已经训练好的英文-拉丁文识别数据~所以我们先来测试一下英文字符的识别吧~识别图像如下:

1.4.1 把上面的图片放到Tesseract的安装目录下,如下图所示:

 

1.4.2  打开上面提到的控制台窗口,如下图所示:

1.4.3  在窗口中输入命令:“tesseract.exe 0.jpg 1”,并回车,如下图所示:

01.jpg代表待识别的源文件,1代表输出文件名,默认输出格式是txt文件格式!

注意,上面的 lang之前是-l 而不是-1!

1.4.4 让我们先查看一下01.jpg照片,如下图:

 

1.4.5  在安装目录下生成了1.txt文件,识别结果如下图所示:

 

   既然安装好了,测试也可以了,我们就进行实战,做图像识别。

二   python用tesseract-ocr做图像识别

  虽然说一行代码可以搞定识别图片,但是我们需要导入两个库,这是别人写好的封装好的库文件。只有导入人家库,我们才能识别一行代码实现图片文字。

  • 这里我们需要用到两个库:pytesseract和PIL
  • 同时我们还需要安装识别引擎tesseract-ocr

2.1   pytesseract和PIL的安装

  安装这两个包可以借助pip 

- 1,命令行安装 
pip install PIL 
pip install pytesseract 

- 2,如果你用的pycharm编辑器,就可以直接借助pycharm实现快速安装。 

2.2  大概介绍下相关模块的概念

  Python-tesseract 是光学字符识别Tesseract OCR引擎的Python封装类。能够读取任何常规的图片文件(JPG, GIF ,PNG , TIFF等)并解码成可读的语言。在OCR处理期间不会创建任何临文件

  PIL (Python Imaging Library)是 Python 中最常用的图像处理库,目前版本为 1.1.7,我们可以 在这里 下载学习和查找资料。

  Image 类是 PIL 库中一个非常重要的类,通过这个类来创建实例可以有直接载入图像文件,读取处理过的图像和通过抓取的方法得到的图像这三种方法。

  python对图像的处理比较常见的是用pytesseract识别验证码,要安装pytesseract库,必须先安装其依赖的PIL及tesseract-ocr,其中PIL为图像处理库,而后面的tesseract-ocr则为google的ocr识别引擎。

    下载链接:http://www.waitalone.cn/python-php-ocr.html   

    该链接文档描述了如何配置相关环境,以及识别验证码的python代码,
总结起来就三步:    安装PIL.exe;
                           安装tesseract-ocr-setup.exe;
                           安装pip install pytesseract    

 

2.3   解决python2.X中PIL在Python3.X中不能使用

   目前PIL的官方最新版本为1.1.7,支持的版本为python 2.5, 2.6, 2.7,并不支持python3,经查询python3.X用pillow代替,进入DOS命令行窗口,敲入以下代码

pip install pillow

  提示安装成功,再运行程序没有问题。

 2.4 正式识别图片中的文字(包括简单的英文和复杂的英文)

2.4.1 下面进入正题,我们识别下面的东西,看图(两种情况):

 

2.4.2  python代码如下:  

import pytesseract
from PIL import Image

#打开验证码图片
image = Image.open('02.jpg')
#加载一下图片防止报错,此处可以省略
image.load()
#调用show来展示图片,调试用此处可以省略
image.show()
text = pytesseract.image_to_string(Image.open('02.jpg'))
print(text)

2.4.3  查看运行结果,运行后,结果如下:

 

2.4.5 总结

  从上面我们可以发现,运行代码后的结果, 简单的图片识别率还是可以的,但是复杂的话 就…,所以希望自己继续学习,继续寻找有用的库。

三   Image模块的用法介绍(转)

3.1  简介

    图像处理是一门应用非常广的技术,而拥有非常丰富第三方扩展库的 Python 当然不会错过这一门盛宴。PIL (Python Imaging Library)是 Python 中最常用的图像处理库,目前版本为 1.1.7,我们可以 在这里 下载学习和查找资料。

    Image 类是 PIL 库中一个非常重要的类,通过这个类来创建实例可以有直接载入图像文件,读取处理过的图像和通过抓取的方法得到的图像这三种方法。

3.2  使用

    导入 Image 模块。然后通过 Image 类中的 open 方法即可载入一个图像文件。如果载入文件失败,则会引起一个 IOError ;若无返回错误,则 open 函数返回一个 Image 对象。现在,我们可以通过一些对象属性来检查文件内容,即:

1 >>> import Image
2  >>> im = Image.open("j.jpg")
3  >>> print im.format, im.size, im.mode
4 JPEG (440, 330) RGB

  

这里有三个属性,我们逐一了解。

        format : 识别图像的源格式,如果该文件不是从文件中读取的,则被置为 None 值。

        size : 返回的一个元组,有两个元素,其值为象素意义上的宽和高。

        mode : RGB(true color image),此外还有,L(luminance),CMTK(pre-press image)。

3.3 简单的几何变化

  色彩空间变换。

convert() : 该函数可以用来将图像转换为不同色彩模式。

   图像增强。

 Filters : 在 ImageFilter 模块中可以使用 filter 函数来使用模块中
一系列预定义的增强滤镜。

 

>>>out = im.resize((128, 128))                     

 >>>out = im.rotate(45)                             #逆时针旋转 45 度角。

 >>>out = im.transpose(Image.FLIP_LEFT_RIGHT)       #左右对换。

 >>>out = im.transpose(Image.FLIP_TOP_BOTTOM)       #上下对换。

 >>>out = im.transpose(Image.ROTATE_90)             #旋转 90 度角。

 >>>out = im.transpose(Image.ROTATE_180)            #旋转 180 度角。

>>>out = im.transpose(Image.ROTATE_270)            #旋转 270 度角。