OCR与Tesseract介绍
将图片翻译成文字通常被称为光学文字识别（Optical Character Recognition，OCR）。能够实现OCR 的底层库并很少，目前不少库都是使用共同的几个底层OCR 库，或者是在上面进行定制。
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 也具备很高的灵活性。它能够经过训练识别出任何字体（只要这些字体的风格保持不变就能够），也能够识别出任何Unicode 字符。git
Tesseract的安装与使用
Tesseract的Windows安装包下载地址为： http://digi.bib.uni-mannheim.de/tesseract/tesseract-ocr-setup-4.00.00dev.exe ，下载后双击直接安装便可。安装完后，须要将Tesseract添加到系统变量中。在CMD中输入tesseract -v, 如显示如下界面，则表示Tesseract安装完成且添加到系统变量中。 github
识别简体中文，须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。算法
Python图像处理之图片验证码识别
利用Tesseract软件来识别图片中的英文与中文，本文将具体介绍如何在Python中利用Tesseract软件来识别验证码（数字加字母）。
bash
本文将具体介绍如何利用Python的图像处理模块pillow和OCR模块pytesseract来识别上述验证码（数字加字母）。
咱们识别上述验证码的算法过程以下：app
-
- 将原图像进行灰度处理，转化为灰度图像；
- 获取图片中像素点数量最多的像素（此为图片背景），将该像素做为阈值进行二值化处理，将灰度图像转化为黑白图像（用来提升识别的准确率）；
- 去掉黑白图像中的噪声，噪声定义为：以该点为中心的九宫格的黑点的数量小于等于4；
- 利用pytesseract模块识别，去掉识别结果中的特殊字符，得到识别结果。
完整的Python代码以下：机器学习
import os import pytesseract from PIL import Image from collections import defaultdict # tesseract.exe所在的文件路径 pytesseract.pytesseract.tesseract_cmd = 'C://Program Files (x86)/Tesseract-OCR/tesseract.exe' # 获取图片中像素点数量最多的像素 def get_threshold(image): pixel_dict = defaultdict(int) # 像素及该像素出现次数的字典 rows, cols = image.size for i in range(rows): for j in range(cols): pixel = image.getpixel((i, j)) pixel_dict[pixel] += 1 count_max = max(pixel_dict.values()) # 获取像素出现出多的次数 pixel_dict_reverse = {v: k for k, v in pixel_dict.items()} threshold = pixel_dict_reverse[count_max] # 获取出现次数最多的像素点 return threshold # 按照阈值进行二值化处理 # threshold: 像素阈值 def get_bin_table(threshold): # 获取灰度转二值的映射table table = [] for i in range(256): rate = 0.1 # 在threshold的适当范围内进行处理 if threshold * (1 - rate) <= i <= threshold * (1 + rate): table.append(1) else: table.append(0) return table # 去掉二值化处理后的图片中的噪声点 def cut_noise(image): rows, cols = image.size # 图片的宽度和高度 change_pos = [] # 记录噪声点位置 # 遍历图片中的每一个点，除掉边缘 for i in range(1, rows - 1): for j in range(1, cols - 1): # pixel_set用来记录该店附近的黑色像素的数量 pixel_set = [] # 取该点的邻域为以该点为中心的九宫格 for m in range(i - 1, i + 2): for n in range(j - 1, j + 2): if image.getpixel((m, n)) != 1: # 1为白色,0位黑色 pixel_set.append(image.getpixel((m, n))) # 若是该位置的九宫内的黑色数量小于等于4，则判断为噪声 if len(pixel_set) <= 4: change_pos.append((i, j)) # 对相应位置进行像素修改，将噪声处的像素置为1（白色） for pos in change_pos: image.putpixel(pos, 1) return image # 返回修改后的图片 # 识别图片中的数字加字母 # 传入参数为图片路径，返回结果为：识别结果 def OCR_lmj(img_path): image = Image.open(img_path) # 打开图片文件 imgry = image.convert('L') # 转化为灰度图 # 获取图片中的出现次数最多的像素，即为该图片的背景 max_pixel = get_threshold(imgry) # 将图片进行二值化处理 table = get_bin_table(threshold=max_pixel) out = imgry.point(table, '1') # 去掉图片中的噪声（孤立点） out = cut_noise(out) # 保存图片 # out.save('E://figures/img_gray.jpg') # 仅识别图片中的数字 # text = pytesseract.image_to_string(out, config='digits') # 识别图片中的数字和字母 text = pytesseract.image_to_string(out) # 去掉识别结果中的特殊字符 exclude_char_list = ' .:\\|\'\"?![],()~@#$%^&*_+-={};<>/¥' text = ''.join([x for x in text if x not in exclude_char_list]) # print(text) return text def main(): # 识别指定文件目录下的图片 # 图片存放目录figures dir = 'E://figures' correct_count = 0 # 图片总数 total_count = 0 # 识别正确的图片数量 # 遍历figures下的png,jpg文件 for file in os.listdir(dir): if file.endswith('.png') or file.endswith('.jpg'): # print(file) image_path = '%s/%s' % (dir, file) # 图片路径 answer = file.split('.')[0] # 图片名称，即图片中的正确文字 recognizition = OCR_lmj(image_path) # 图片识别的文字结果 print((answer, recognizition)) if recognizition == answer: # 若是识别结果正确，则total_count加1 correct_count += 1 total_count += 1 print('Total count: %d, correct: %d.' % (total_count, correct_count)) ''' # 单张图片识别 image_path = 'E://figures/code .jpg' OCR_lmj(image_path) ''' if __name__: main()
运行结果以下：学习