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！
設為首頁 加入收藏
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
 程式師世界 >> 編程語言 >> 網頁編程 >> PHP編程 >> 關於PHP編程 >> PHP OCR實戰：用Tesseract從圖像中讀取文字

PHP OCR實戰：用Tesseract從圖像中讀取文字

編輯：關於PHP編程

PHP OCR實戰：用Tesseract從圖像中讀取文字


  

Optical Character Recognition (OCR)即光學字符辨識是把打印文本轉換成一個數字表示的過程。它有各種各樣的實際應用–從數字化印刷書籍、創建收據的電子記錄，到車牌識別甚至破解基於圖像的驗證碼。

Robotic eye

Tesseract是一個能實現OCR的開源項目。你能在*Nix系統，Mac系統和Windows系統上運行這個項目，但是只要使用一個庫，我們就能在PHP項目中使用它了。本教程的目的是教你如何使用。

安裝

准備

為了讓事情變得簡單和一致的, 我們將使用虛擬機本文使用Vagrant）來運行應用程序，這會涉及到安裝PHP和Nginx，我們將安裝 Tesseract來分別演示過程。如果你想自己基於現有Debian-based系統安裝Tesseract,你可以跳過下一部分—或者查看the README來獲得在其他*nix上，Mac系統或者Windows的安裝指導.

配置Vagrant

為了配置Vagrant以跟上本教程，完成如下步驟。或者你也可以簡單的從Github獲得代碼。

輸入以下命令來下載Homestead Improved Vagrant配置到一個名為orc的文件夾:

git clone https://github.com/Swader/homestead_improved ocr

將Nginx配置文件Homestead.yml中的以下代碼：

  1. sites: 
  2.     - map: homestead.app 
  3.       to: /home/vagrant/Code/Project/public 

修改成：

  1. sites: 
  2.     - map: homestead.app 
  3.       to: /home/vagrant/Code/public 

同樣要在hosts文件中添加

  1. 192.168.10.10       homestead.app 

安裝Tesseract

下一步是安裝Tesseract

因為Homestead Improved 使用debian,我們可以在使用vagrant ssh登陸虛擬機後使用apt-get 來安裝它，簡單運行如下命令：

  1. sudo apt-get install tesseract-ocr 

正如上文提到的，在the README中有其他的操作系統對應教程。

測試並定制安裝

我們將使用PHP包裝，但是之前我們可以在命令行測試Tesseract。

首先保存這個圖片sign.png

在虛擬機中，執行如下命令來從圖片中讀取文字

  1. tesseract sign.png out 

這將在當前文件夾創建一個文件:out.txt裡面應該有單詞：CAUTION

現在嘗試sign2.jpg

  1. tesseract sign2.jpg out 

這次產生單詞Einbahnstral’ie。很接近但不正確—雖然圖像中的文字相當清晰，它沒能識別字符ß。

為了獲使Tesseract正常讀取字符串,我們需要安裝一些新的語言文件—就本例來說，德語。

這裡有一個全面的可用語言文件列表，但我們直接下載所需的文件：

  1. wget https://tesseract-ocr.googlecode.com/files/tesseract-ocr-3.02.deu.tar.gz 

解壓：

  1. tar zxvf tesseract-ocr-3.02.deu.tar.gz 

然後把文件復制到如下目錄：

  1. /usr/share/tesseract-ocr/tessdata 

例如

  1. cp deu-frak.traineddata /usr/share/tesseract-ocr/tessdata 
  2. cp deu.traineddata /usr/share/tesseract-ocr/tessdata 

現在我們再次執行原來的命令但是要用 –l

  1. tesseract sign2.jpg out -l deu 
  2.  
  3.     “deu” 是德語的 ISO 639-3碼. 

這次，文字應該是Einbahnstraße正確的）。

可以通過重復上述過程來使用任意語言。

配置應用程序

我們將使用這個庫來用PHP使用Tesseract。

我們將建立一個極簡的web應用：用戶上傳圖片，並查看OCR處理結果。我們將使用Silex microframework 來實現。不要擔心你不熟悉它，這個應用本身很簡單。

記住這篇教程的所有代碼都能在Github上獲得。

第一步是用Composer來安裝依賴文件：

  1. composer require silex/silex twig/twig thiagoalessio/tesseract_ocr:dev-master 

然後建立三個文件夾：

  1. - public 
  2. - uploads 
  3. - views 

我們需要上傳表單(views\index.twig):

  1. <html> 
  2.   <head> 
  3.     <title>OCR</title> 
  4.   </head> 
  5.   <body> 
  6.  
  7.     <form action="" method="post" enctype="multipart/form-data"> 
  8.       <input type="file" name="upload"> 
  9.       <input type="submit"> 
  10.     </form> 
  11.  
  12.   </body> 
  13. </html> 

需要一個結果展示頁面(views\results.twig):：

  1. <html> 
  2.   <head> 
  3.     <title>OCR</title> 
  4.   </head> 
  5.   <body> 
  6.  
  7.     <h2>Results</h2> 
  8.  
  9.     <textarea cols="50" rows="10">{{ text }}</textarea> 
  10.  
  11.     <hr> 
  12.  
  13.     <a href="/">← Go back</a> 
  14.  
  15.   </body> 
  16. </html> 

現在建立skeleton Silex app (public\index.php):

  1. <php 
  2.  
  3. require __DIR__.'/../vendor/autoload.php'; 
  4.  
  5. use Symfony\Component\HttpFoundation\Request; 
  6.  
  7. $app = new Silex\Application(); 
  8.  
  9. $app->register(new Silex\Provider\TwigServiceProvider(), [ 
  10.   'twig.path' => __DIR__.'/../views', 
  11. ]); 
  12.  
  13. $app['debug'] = true; 
  14.  
  15. $app->get('/', function() use ($app) { 
  16.  
  17.   return $app['twig']->render('index.twig'); 
  18.  
  19. }); 
  20.  
  21. $app->post('/', function(Request $request) use ($app) { 
  22.  
  23.     // TODO 
  24.  
  25. }); 
  26.  
  27. $app->run(); 

如果你在浏覽器訪問這個應用，你應該能看到一個文件上傳表單。如果你在使用Homestead Improved Vagrant，你可以通過如下鏈接訪問該應用。

  1. http://homestead.app/ 

下一步是實現文件上傳。Silex使得這項工作非常簡單；$request包含一個files組件，我們可以通過它來獲得任意上傳的文件，代碼：

  1. // Grab the uploaded file 
  2. $file = $request->files->get('upload'); 
  3.  
  4. // Extract some information about the uploaded file 
  5. $info = new SplFileInfo($file->getClientOriginalName()); 
  6.  
  7. // Create a quasi-random filename 
  8. $filename = sprintf('%d.%s', time(), $info->getExtension()); 
  9.  
  10. // Copy the file 
  11. $file->move(__DIR__.'/../uploads', $filename); 

如你所見，我們產生隨機文件名來減少文件名沖突—但在本應用中，我們怎麼命名文件是不重要的。一旦我們在本地有一份文件拷貝，我們就可以產生一個Tessearct庫的實例，然後進行分析：

  1. // Instantiate the Tessearct library 
  2. $tesseract = new TesseractOCR(__DIR__ . '/../uploads/' . $filename); 

在圖像上實現OCR相當簡單，我們只需調用方法recognize()。

  1. // Perform OCR on the uploaded image 
  2. $text = $tesseract->recognize(); 

最後我們把結果展示到結果頁面：

  1. return $app['twig']->render( 
  2.     'results.twig', 
  3.     [ 
  4.         'text'  =>  $text, 
  5.     ] 
  6. ); 

在一些圖片上嘗試，看看它效果怎樣。如果你有困難，可以參考這個

一個實際的例子

讓我們來看OCR一個更實用的例子。在本例中，我們嘗試在圖像中找到一個格式化的電話號碼。

看看下面一幅圖，上傳到你的應用：

結果應該如下:

  1. :ii‘i 
  2. Customer Service Helplines 
  3.  
  4. British Airways Helpline 
  5.  
  6. 09040 490 541 

它沒有挑出正文文本，這是我們能料到的，因為圖片質量太差。雖然識別了號碼但是也有一些“噪聲”。

為了提取相關信息，有如下幾件事我們可以做。

你可以讓Tesseract 把它的結果限制在一定的字符集內，所以我們告訴它只返回數字型的內容代碼如下：

  1. $tesseract->setWhitelist(range(0,9)); 

但這樣有個問題。它常常把非數字字符解釋成數字而非忽略它們。比如“Bob”可能被解釋稱數字“808”。

所以我們采用兩步處理。

第一步，我們可以用一個基本的正則表達式。可以用谷歌電話庫來確定一個數字串是否是合法電話號碼。

備注：我已在Sitepoint 寫過關於谷歌電話庫的內容。

讓我們給谷歌電話庫添加一個PHP 端口，修改composer.json，添加：

  1. "giggsey/libphonenumber-for-php": "~7.0" 

別忘了升級：

  1. composer update 

現在我們可以寫一個函數，輸入為一個字符串，嘗試提取一個合法的電話號碼

  1. /** 
  2. * Parse a string, trying to find a valid telephone number. As soon as it finds a 
  3. * valid number, it'll return it in E1624 format. If it can't find any, it'll 
  4. * simply return NULL. 
  5. * 
  6. * @param  string   $text           The string to parse 
  7. * @param  string   $country_code   The two digit country code to use as a "hint" 
  8. * @return string | NULL 
  9. */ 
  10. function findPhoneNumber($text, $country_code = 'GB') { 
  11.  
  12.   // Get an instance of Google's libphonenumber 
  13.   $phoneUtil = \libphonenumber\PhoneNumberUtil::getInstance(); 
  14.  
  15.   // Use a simple regular expression to try and find candidate phone numbers 
  16.   preg_match_all('/(\+\d+)?\s*(\(\d+\))?([\s-]?\d+)+/', $text, $matches); 
  17.  
  18.   // Iterate through the matches 
  19.   foreach ($matches as $match) { 
  20.  
  21.     foreach ($match as $value) { 
  22.  
  23.       try { 
  24.  
  25.         // Attempt to parse the number 
  26.         $number = $phoneUtil->parse(trim($value), $country_code);    
  27.  
  28.         // Just because we parsed it successfully, doesn't make it vald - so check it 
  29.         if ($phoneUtil->isValidNumber($number)) { 
  30.  
  31.           // We've found a telephone number. Format using E.164, and exit 
  32.           return $phoneUtil->format($number, \libphonenumber\PhoneNumberFormat::E164); 
  33.  
  34.         } 
  35.  
  36.       } catch (\libphonenumber\NumberParseException $e) { 
  37.  
  38.         // Ignore silently; getting here simply means we found something that isn't a phone number 
  39.  
  40.       } 
  41.  
  42.     } 
  43.   } 
  44.  
  45.   return null; 
  46.  
  47. } 

希望注釋能解釋這個函數在干什麼。注意如果這個庫沒能從字符串中解析出一個合法的電話號碼它會拋出一個異常。這不是什麼問題；我們直接忽略它並繼續下一個候選字符。

如果我們找到一個電話號碼，我們以E.164的形式返回它。這提供了一個國際化的號碼，我們可以用來打電話或者發送SMS。

現在我們可以如下使用：

  1. $text = $tesseract->recognize(); 
  2. $number = findPhoneNumber($text, 'GB'); 

我們需要給谷歌電話庫提供一個提示來說明這個號碼是哪個國家的。你也可以改成你自己的國家。

我們把所有的這些打包在一個新的路由中：

  1. $app->post('/identify-telephone-number', function(Request $request) use ($app) { 
  2.  
  3.   // Grab the uploaded file 
  4.   $file = $request->files->get('upload'); 
  5.  
  6.   // Extract some information about the uploaded file 
  7.   $info = new SplFileInfo($file->getClientOriginalName()); 
  8.  
  9.   // Create a quasi-random filename 
  10.   $filename = sprintf('%d.%s', time(), $info->getExtension()); 
  11.  
  12.   // Copy the file 
  13.   $file->move(__DIR__.'/../uploads', $filename); 
  14.  
  15.   // Instantiate the Tessearct library 
  16.   $tesseract = new TesseractOCR(__DIR__ . '/../uploads/' . $filename); 
  17.  
  18.   // Perform OCR on the uploaded image 
  19.   $text = $tesseract->recognize(); 
  20.  
  21.   $number = findPhoneNumber($text, 'GB'); 
  22.  
  23.   return $app->json( 
  24.     [ 
  25.       'number'     =>  $number, 
  26.     ] 
  27.   ); 
  28.  
  29. }); 

我們現在有簡單的API的基礎—-也就是JSON響應-—我們可以用來作為一個簡單的移動應用的後端，這款應用可以用來從一幅圖中添加聯系人，打電話。

總結

OCR有許多應用——並且很容易整合進你的應用超過你的預期）。本文中，我們安裝了開源OCR包；並使用一個包裝器庫，把它整合進一個非常簡單的PHP應用。我們只是觸及到了所有可能性的表面，希望這能給你一些想法，幫你想想怎麼在你自己的應用中使用OCR。

譯文鏈接：http://www.codeceo.com/article/php-ocr-tesseract-get-text.html
英文原文：OCR in PHP: Read Text from Images with Tesseract

 

 

  1. 上一頁:
  2. 下一頁:
關於PHP編程
PHP表單遞交控件名稱含有點號(.)會被轉化為下劃線(_)的處理方法

最近在做公司項目的時候，發現一個奇怪的問題，遞交一個正常表
PHP語法自動檢查的Vim插件，php語法vim

PHP語法自動檢查的Vim插件，php語法vim 由於最近寫
Yii框架結合sphinx,Ajax實現搜索分頁功能示例，yiisphinx

Yii框架結合sphinx,Ajax實現搜索分頁功能示例，y
初識PHP(四)PDO對象配置於使用，初識pdo

初識PHP(四)PDO對象配置於使用，初識pdo一、PDO的
php設計模式之簡單工廠模式詳解，php設計模式詳解

php設計模式之簡單工廠模式詳解，php設計模式詳解 本文以
PHP5.6.x的新鮮事，PHP5.6.x新鮮事

PHP5.6.x的新鮮事，PHP5.6.x新鮮事 
相關文章
閱讀排行榜
PHP fopen和fwrite函數實現創建html頁面 PHP 輸出緩存詳解 關於LVS負載均衡tcp長連接分發的解決思路 十步解決PHP使用UTF-8編碼問題 使用PHP程序直接調用文本文件的內容實例 Admin generator, filters and I18n php中trim()、preg_replace()清除字符串空格與連續空格 php ltrim() rtrim() trim()刪除字符空格 隨時給自己貼的圖片加文字的php代碼 php面向對象全攻略 （五） 封裝性 PHP 內存緩存加速功能memcached安裝與用法
熱門圖文
php模擬post行為代碼總結 C++右值引用淺析 PHP教程：如何實現301重定向 C#中英文混合朗讀 Effective C#原則19：選擇定義和實現接口而不是繼承 如何使用<fstream>類進行文件的I/O處理 PHP使用xmllint命令處理xml與html的方法，xmllintxml 微信公眾號天氣查詢接口實例，公眾天氣查詢實例
欄目導航
PHP基礎知識PHP綜合PHP入門知識關於PHP編程
Copyright © 程式師世界 All Rights Reserved