程序師世界是廣大編程愛好者互助、分享、學習的平台,程序師世界有你更精彩!
首頁
編程語言
C語言|JAVA編程
Python編程
網頁編程
ASP編程|PHP編程
JSP編程
數據庫知識
MYSQL數據庫|SqlServer數據庫
Oracle數據庫|DB2數據庫
您现在的位置: 程式師世界 >> 編程語言 >  >> 更多編程語言 >> Python

python之OCR文字識別

編輯:Python

將圖片翻譯成文字一般被稱為光學文字識別(Optical Character Recognition,OCR)。可以實現OCR 的底層庫並不多,目前很多庫都是使用共同的幾個底層OCR 庫,或者是在上面進行定制。

方法一: 使用easyocr模塊

easyocr是基於torch的深度學習模塊
easyocr安裝後調用過程中出現opencv版本不兼容問題,所以放棄此方案。

方法二:通過pytesseract調用tesseract

優點:部署快,輕量級,離線可用,免費
缺點:自帶的中文庫識別率較低,需要自己建數據進行訓練

Tesseract 是一個OCR 庫,目前由Google 贊助(Google 也是一家以OCR 和機器學習技術聞名於世的公司)。Tesseract 是目前公認最優秀、最精確的開源OCR 系統。
除了極高的精確度,Tesseract 也具有很高的靈活性。它可以通過訓練識別出任何字體(只要這些字體的風格保持不變就可以),也可以識別出任何Unicode 字符。

Tesseract的安裝與使用

python 識別圖片上的數字,使用pytesseract庫從圖像中提取文本,而識別引擎采用 tesseract-ocr

pytesseract是python包裝器,它為可執行文件提供了pythonic API。

1、安裝必要的包:

pip install pillow
pip install pytesseract

2、安裝tesseract-ocr的識別引擎

最新版本下載地址: https://github.com/UB-Mannheim/tesseract/wiki

或者更多版本的tesseract下載地址:https://digi.bib.uni-mannheim.de/tesseract/

安裝完後,需要將Tesseract添加到系統變量中。
環境變量: 我的電腦 ->屬性 -> 高級系統設置 ->環境變量 ->系統變量 ,在 path 中添加 安裝路徑。

並將訓練好的模型文件 chi_sim.traineddata 放入該目錄中,這樣安裝就完成了。

在命令行 WIN+R 輸入cmd :輸入 tesseract -v ,出現版本信息,則配置成功。


tesseract-ocr默認不支持中文識別。支持中文識別.png

3、解決pytesseract 找不到路徑的問題。

在自己安裝的pytesseract包中,找到pytesseract.py文件

打開pytesseract.py文件,修改 tesseract_cmd 的值:tesseract.exe 的安裝路徑 。
為了避免其他的錯誤,使用雙反斜槓,或者斜槓

4、簡單使用

import pytesseract
from PIL import Image
if __name__ == '__main__':
text = pytesseract.image_to_string(Image.open("D:\\test.png"),lang="eng")
# 如果你想試試Tesseract識別中文,只需要將代碼中的eng改為chi_sim即可
print(text)

測試圖片:

輸出結果:


用Tesseract可以識別格式規范的文字,主要具有以下特點:

  • 使用一個標准字體(不包含手寫體、草書,或者十分“花哨的”字體)
  • 雖然被復印或拍照,字體還是很清晰,沒有多余的痕跡或污點
  • 排列整齊,沒有歪歪斜斜的字
  • 沒有超出圖片范圍,也沒有殘缺不全,或緊緊貼在圖片的邊緣
    下面將給出幾個tesseract識別圖片中文字的例子。
    首先是E://figures/other/poems.jpg, 輸入命令 tesseract E://figures/other/poems.jpg E://figures/other/poems.txt, 則會將poems.jpg中的識別文字寫入到poems.txt中,如下圖:


接著是稍微有點傾斜的文字圖片th.jpg,識別情況如下:


可以看到識別的情況不如剛才規范字體的好,但是也能識別圖片中的大部分字母。
最後是識別簡體中文,需要事先安裝簡體中文語言包,下載地址為:https://github.com/tesseract-ocr/tessdata/find/master/chi_sim.traineddata ,再講chi_sim.traineddata放在C:\Program Files (x86)\Tesseract-OCR\tessdata目錄下。我們以圖片timg.jpg為例:

輸入命令:

tesseract E://figures/other/timg.jpg E://figures/other/timg.txt -l chi_sim

識別結果如下:

只識別錯了一個字,識別率還是不錯的。
最後加一句,Tesseract對於彩色圖片的識別效果沒有黑白圖片的效果好。

pytesseract

pytesseract是Tesseract關於Python的接口,可以使用pip install pytesseract安裝。安裝完後,就可以使用Python調用Tesseract了,不過,你還需要一個Python的圖片處理模塊,可以安裝pillow.
輸入以下代碼,可以實現同上述Tesseract命令一樣的效果:

import pytesseract
from PIL import Image
pytesseract.pytesseract.tesseract_cmd = 'C://Program Files (x86)/Tesseract-OCR/tesseract.exe'
text = pytesseract.image_to_string(Image.open('E://figures/other/poems.jpg'))
print(text)

運行結果如下:

cnocr 第二種 Python 開源識別工具的效果

兩個工具的使用方法和對比效果。

安裝 cnocr:

pip install cnocr

看到 Successfully installed xxx 則說明安裝成功。

如果你只想對圖片中的中文進行識別,那麼 cnocr 是一個不錯的選擇,你只需要安裝 cnocr 包即可。

但如果你想試試其他語言的OCR識別,Tesseract 是更好的選擇。

cnocr 識別圖片的中文

cnocr 主要針對的是排版簡單的印刷體文字圖片,如截圖圖片,掃描件等。目前內置的文字檢測和分行模塊無法處理復雜的文字排版定位。

盡管它分別提供了單行識別函數和多行識別函數,但在本人實測下,單行識別函數的效果非常糟糕,或者說要求的條件十分苛刻,基本上連截圖的文字都識別不出來。

不過多行識別函數還不錯,使用該函數識別的代碼如下:

from cnocr import CnOcr
ocr = CnOcr()
res = ocr.ocr('test.png')
print("Predicted Chars:", res)

用於識別這個圖片裡的文字:

效果如下:

如果不是很吹毛求疵,這樣的效果已經很不錯了。

方法三:調用百度API

優點:使用方便,功能強大
缺點:大量使用需要收費

我自己采用的是調用百度API的方式,下面是我的步驟:
注冊百度賬號,創建OCR應用可以參考其他教程。
購買後使用python調用方法

方式一: 通過urllib直接調用,替換自己的api_key和secret_key即可

# coding=utf-8
import sys
import json
import base64
# 保證兼容python2以及python3
IS_PY3 = sys.version_info.major == 3
if IS_PY3:
from urllib.request import urlopen
from urllib.request import Request
from urllib.error import URLError
from urllib.parse import urlencode
from urllib.parse import quote_plus
else:
import urllib2
from urllib import quote_plus
from urllib2 import urlopen
from urllib2 import Request
from urllib2 import URLError
from urllib import urlencode
# 防止https證書校驗不正確
import ssl
ssl._create_default_https_context = ssl._create_unverified_context
API_KEY = 'YsZKG1wha34PlDOPYaIrIIKO'
SECRET_KEY = 'HPRZtdOHrdnnETVsZM2Nx7vbDkMfxrkD'
OCR_URL = "https://aip.baidubce.com/rest/2.0/ocr/v1/accurate_basic"
""" TOKEN start """
TOKEN_URL = 'https://aip.baidubce.com/oauth/2.0/token'
""" 獲取token """
def fetch_token():
params = {
'grant_type': 'client_credentials',
'client_id': API_KEY,
'client_secret': SECRET_KEY}
post_data = urlencode(params)
if (IS_PY3):
post_data = post_data.encode('utf-8')
req = Request(TOKEN_URL, post_data)
try:
f = urlopen(req, timeout=5)
result_str = f.read()
except URLError as err:
print(err)
if (IS_PY3):
result_str = result_str.decode()
result = json.loads(result_str)
if ('access_token' in result.keys() and 'scope' in result.keys()):
if not 'brain_all_scope' in result['scope'].split(' '):
print ('please ensure has check the ability')
exit()
return result['access_token']
else:
print ('please overwrite the correct API_KEY and SECRET_KEY')
exit()
""" 讀取文件 """
def read_file(image_path):
f = None
try:
f = open(image_path, 'rb')
return f.read()
except:
print('read image file fail')
return None
finally:
if f:
f.close()
""" 調用遠程服務 """
def request(url, data):
req = Request(url, data.encode('utf-8'))
has_error = False
try:
f = urlopen(req)
result_str = f.read()
if (IS_PY3):
result_str = result_str.decode()
return result_str
except URLError as err:
print(err)
if __name__ == '__main__':
# 獲取access token
token = fetch_token()
# 拼接通用文字識別高精度url
image_url = OCR_URL + "?access_token=" + token
text = ""
# 讀取測試圖片
file_content = read_file('test.jpg')
# 調用文字識別服務
result = request(image_url, urlencode({
'image': base64.b64encode(file_content)}))
# 解析返回結果
result_json = json.loads(result)
print(result_json)
for words_result in result_json["words_result"]:
text = text + words_result["words"]
# 打印文字
print(text)

方式二:通過HTTP-SDK模塊進行調用

from aip import AipOcr
APP_ID = '25**9878'
API_KEY = 'VGT8y***EBf2O8xNRxyHrPNr'
SECRET_KEY = 'ckDyzG*****N3t0MTgvyYaKUnSl6fSw'
client = AipOcr(APP_ID,API_KEY,SECRET_KEY)
def get_file_content(filePath):
with open(filePath, 'rb') as fp:
return fp.read()
image = get_file_content('test.jpg')
res = client.basicGeneral(image)
print(res)
#res = client.basicAccurate(image)
#print(res)

直接識別屏幕指定區域上的文字

from aip import AipOcr
APP_ID = '25**9878'
API_KEY = 'VGT8y***EBf2O8xNRxyHrPNr'
SECRET_KEY = 'ckDyzG*****N3t0MTgvyYaKUnSl6fSw'
client = AipOcr(APP_ID,API_KEY,SECRET_KEY)
from io import BytesIO
from PIL import ImageGrab
out_buffer = BytesIO()
img = ImageGrab.grab((100,200,300,400))
img.save(out_buffer,format='PNG')
res = client.basicGeneral(out_buffer.getvalue())
print(res)

  1. 上一篇文章:
  2. 下一篇文章:
Copyright © 程式師世界 All Rights Reserved