深刻学习使用ocr算法识别图片中文字的方法

时间 2019-11-06 标签深刻学习使用 ocr 算法识别图片文字方法

　　公司有个需求，简单点说须要从一张图片中识别出中文，经过python来实现，固然其余程序也行，只要能实现，而小编主要学习python，因此就提了python。一个小白在网上遨游了一天，终于找到一丝丝思绪，特地在此分享，但愿大神提出宝贵的意见。php

　　今天仍是在学习OCR算法中，可是好像本身摸索确实比较难一点，并且python实现图片中文识别的方法仍是很少，因此我打算记录一下本身学习的过程。今天看到一个菜鸟均可以用的开源项目，那就是OCR开源项目tesseract，可能对于仍是菜鸟的我来讲，最好不过了，能够试试此项目，还能够看看源码，何乐而不为呢！html

　　OCR开源项目不少，给你们一个连接，这个连接列出了现有的比较出名的OCR开源项目，连接以下：python

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

　　从上面的排名能够看到，Tesseract是排在第一名的！因此下面就认真学习一下Tesseract。首先介绍一下Tesseract，而后安装，测试，了解其不足等等。github

     Tesseract的OCR引擎目前已做为开源项目发布在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. 经过这个工具咱们能够识别图片上的文字。

一 Tesseract的安装测试使用

1.1 小编的开发环境以下：

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。(由于在国外访问不了谷歌，因此别人翻墙下载了下来，这里给你们百度网盘连接)算法

http://pan.baidu.com/s/1i56Uxlrwindows

　　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，下载后直接安装便可，可是要记得你的安装目录，咱们等会配置环境变量要用。编辑器

　　若是不是作英文的图文识别，还须要下载其余语言的识别包https://github.com/tesseract-ocr/tesseract/wiki/Data-Files。函数

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

　　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Tesseract-OCR引擎，注意要3.0以上才支持中文哦，按照提示安装就行。（此处附上windows 4.0的安装过程）

既然是要训练中文，记得勾选 additional language data

找到中文简体和中文繁体，按需勾选，而后点下一步

能够先不勾选，由于这样直接下载语言的包实在太慢。能够从网页上直接下载语言包,而后等程序安装好后，放入安装目录下tessdata目录下面

　　下载下来以后一路Next安装好，而后在开始菜单找到其控制台引导程序，以下图所示：

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~因此咱们先来测试一下英文字符的识别吧~识别图像以下：

1.4.1 把上面的图片放到Tesseract的安装目录下，以下图所示：

1.4.2 打开上面提到的控制台窗口，以下图所示：

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

01.jpg表明待识别的源文件，1表明输出文件名，默认输出格式是txt文件格式！

注意，上面的 lang以前是-l 而不是-1！

1.4.4 让咱们先查看一下01.jpg照片，以下图：

1.4.5 在安装目录下生成了1.txt文件，识别结果以下图所示：

　　既然安装好了，测试也能够了，咱们就进行实战，作图像识别。

二 python用tesseract-ocr作图像识别

　　虽说一行代码能够搞定识别图片，可是咱们须要导入两个库，这是别人写好的封装好的库文件。只有导入人家库，咱们才能识别一行代码实现图片文字。

这里咱们须要用到两个库：pytesseract和PIL
同时咱们还须要安装识别引擎tesseract-ocr

2.1 pytesseract和PIL的安装

　　安装这两个包能够借助pip

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

- 2，若是你用的pycharm编辑器，就能够直接借助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。可以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处理期间不会建立任何临文件

　　PIL （Python Imaging Library）是 Python 中最经常使用的图像处理库，目前版本为 1.1.7，咱们能够在这里下载学习和查找资料。

　　Image 类是 PIL 库中一个很是重要的类，经过这个类来建立实例能够有直接载入图像文件，读取处理过的图像和经过抓取的方法获得的图像这三种方法。

　　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，然后面的tesseract-ocr则为google的ocr识别引擎。

    下载连接：http://www.waitalone.cn/python-php-ocr.html   

    该连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，敲入如下代码

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，咱们识别下面的东西，看图（三种状况）：

2.4.2 python代码以下：　　

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，此处能够省略
image.load()
#调用show来展现图片，调试用此处能够省略
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，结果以下：

2.4.5 总结

　　从上面咱们能够发现，运行代码后的结果，清晰的印刷体字体比较清晰，基本没有问题。简单的图片识别率仍是能够的，可是复杂的话就...，因此但愿本身继续学习，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很是广的技术，而拥有很是丰富第三方扩展库的 Python 固然不会错过这一门盛宴。PIL （Python Imaging Library）是 Python 中最经常使用的图像处理库，目前版本为 1.1.7，咱们能够在这里下载学习和查找资料。

Image 类是 PIL 库中一个很是重要的类，经过这个类来建立实例能够有直接载入图像文件，读取处理过的图像和经过抓取的方法获得的图像这三种方法。

3.2 使用

导入 Image 模块。而后经过 Image 类中的 open 方法便可载入一个图像文件。若是载入文件失败，则会引发一个 IOError ；若无返回错误，则 open 函数返回一个 Image 对象。如今，咱们能够经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，咱们逐一了解。

format : 识别图像的源格式，若是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() : 该函数能够用来将图像转换为不一样色彩模式。

图像加强。

 Filters : 在 ImageFilter 模块中可使用 filter 函数来使用模块中
一系列预约义的加强滤镜。

>>>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。