使用Tesseract做文字識別（OCR）
共 2342字，需瀏覽 5分鐘
·
2022-02-09 17:41
前言
OCR（optical character recognition，光學字符識別）是指直接將包含文本的圖像識別為計算機文字（計算機黑白點陣）的技術(shù)。圖像中的文本一般為印刷體文本。
Tesseract是github上的OCR開源庫，今天我將使用Tesseract來進行文字識別。
安裝Tesseract
安裝Tesseract挺簡單的，直接按照官網(wǎng)上安裝方法安裝即可。安裝完記得配一下環(huán)境變量。
Tesseract官網(wǎng)我是在Win10下安裝的，打開命令行，輸入tesseract -v查看Tesseract版本號，輸出以下信息表示安裝成功：
用Tesseract做文字識別
現(xiàn)在我使用Tesseract來識別下面圖片中的字符：
命令行運行：（指定簡體中文）
tesseract 5.png stdout -l chi_sim輸出如下：
可以看到，Tesseract很好的識別了圖片中的文字。
上面的測試用例背景十分干凈，對比明顯，Tesseract識別得很好，但是現(xiàn)實中的圖片可能沒有這么好的條件，直接識別可能會出錯，往往要先進行圖像處理，然后將處理后的圖片送入Tesseract文字識別。
Python中使用Tesseract
Python安裝Tesseract接口：
pip install pillow
pip install pytesseract注意：Python只是提夠了調(diào)用Tesseract的接口，方便我們在Python程序中使用Tesseract，實際運行的還是前面安裝的Tesseract庫。
使用以下代碼測試：
# USAGE
# python ocr.py --image images/example_01.png
# python ocr.py --image images/example_02.png --preprocess blur
# import the necessary packages
from PIL import Image
import pytesseract
import argparse
import cv2
import os
# construct the argument parse and parse the arguments
ap = argparse.ArgumentParser()
ap.add_argument("-i", "--image", required=True,
help="path to input image to be OCR'd")
ap.add_argument("-p", "--preprocess", type=str, default="thresh",
help="type of preprocessing to be done")
args = vars(ap.parse_args())
# load the example image and convert it to grayscale
image = cv2.imread(args["image"])
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
cv2.imshow("Image", gray)
# check to see if we should apply thresholding to preprocess the
# image
if args["preprocess"] == "thresh":
gray = cv2.threshold(gray, 0, 255,
cv2.THRESH_BINARY | cv2.THRESH_OTSU)[1]
# make a check to see if median blurring should be done to remove
# noise
elif args["preprocess"] == "blur":
gray = cv2.medianBlur(gray, 3)
# write the grayscale image to disk as a temporary file so we can
# apply OCR to it
filename = "{}.png".format(os.getpid())
cv2.imwrite(filename, gray)
# load the image as a PIL/Pillow image, apply OCR, and then delete
# the temporary file
text = pytesseract.image_to_string(Image.open(filename))
os.remove(filename)
print(text)
# show the output images
# cv2.imshow("Image", image)
cv2.imshow("Output", gray)
cv2.waitKey(0)上面的Python腳本對輸入圖像先進行了簡單的圖像處理，比如模糊和二值化。然后將處理后的圖片使用tesseract進行文字識別。
測試圖片1為：
命令行運行：
python ocr.py --image images/example_01.png經(jīng)過閾值分割后的圖像如下，可以看到把背景陰影很好的去掉了：
命令行輸出如下，正確的識別了結(jié)果。
總結(jié)
直接使用tesseract識別圖片文字容易出錯，一般先對圖片做圖像處理后再使用tesseract識別文字。