初探基于Tesseract、图像二分法、阈值实现的图像文字识别

开发环境：Linux乌班图

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。

1、安装

1、sudo apt-get install tesseract-ocr(安装tesseract)

2、pip install pytesseract(python操作pytesseract)

2、识别规范的图片

选取黑白对比度明显的规范图片，如下图

识别结果：

识别结果相对准确,不过符号^和*分别被表示成了双引号和单引号。大体上可以让你舒服阅读。

3、二分法、阈值处理识别不规范图片

该图片底有黑白渐变，tesseract识别会出现问题，我用上面同样的方法做尝试，识别率不行

这是我打印的，很明显，右侧干扰越明显，识别率越差

那么我们该怎么做？首先我们要有一些颜色理论基础，一般在屏显颜色模式是RGB（红绿蓝）模式，这些颜色构成了我们日常见到的形形色色的图像，同时这些色彩模式也能合成黑白灰，懂前端的朋友，肯定知道css3中我们设置颜色和不透明度会用到rgba(a,b,c,opacity)这样的参数，黑白灰模式中色值从0--255范围，0代表纯黑，255代表纯白，中间的就是不同程度的灰色，换言之也就是色值从0到255，是从纯黑到纯白的过渡

而我们进行图像二分、阈值的预处理，也是基于该理论，观察我们的图像，我们所要做的就是让白色部分变成纯白，灰色和黑色变成纯黑，这样处理成只有黑白对比明显的图片，就可以通过tessoract进行较好的识别

那么问题来了，我们就是想让图片中灰色部分的色值都变成255，也就是纯白，怎么确定灰色的临界值呢？观察图像，我们看到图像底色的从白到灰的渐变，发现最右侧灰色最深，也就是我们确定了最右侧的灰度色值m，我们通过程序将大于m的色值都变成255，小于m色值的都变成0，怎么测出临界色值m呢？

我之前做设计，后来转行到python，这里我用PS软件拾色器进行获取色值，当然网上也有很多拾色器工具，百度一下一大把，也可以使用，我选取最右侧灰色最深的部分，灰色色值为129，即我们需要的m值

接下来开始用代码实现上述思路，将大于129的统统变成255，小于129的统统变成0，代码如下，发现打印结果仍有一些缺陷，当然细心的朋友发现，我在选取的时候并没有选取到最右上角的最深的灰色，还差一点

我又多测试了一些点，发现最佳值为125左右

重新选取的125的点，识别结果略有改观，并经过多次测试更多125左右的，发现125处识别还是相对较好，符合我们之前的思路

这里我吧中间处理后的图片保存打开，发现处理成这个样子

对比PS中阈值处理的效果，基本比较相似

结束语：

tessoract识别率根据图像处理的效果息息相关，更深入图像处理，希望大家多看下PIL库中的一些方法，本文主要讲的是一个思路，不足之处或者大家有什么更好的建议，欢迎指正