pytesseract是python的一个用于图像提取的库, 它实际上是对Tesseract OCR引擎的封装。pytesseract使得在Python项目中调用Tesseract变得更加简便,主要用于从图像中提取和识别文本信息。
一、安装
1.安装tesseract OCR
需要先安装tesseract OCR
什么是OCR:
Tesseract OCR(Optical Character Recognition,光学字符识别)是一个开源的OCR引擎,最初由HP实验室开发,后由Google维护并持续优化。Tesseract设计用于识别打印文本和手写文本,支持多种语言,包括一些稀有和古语种。
Tesseract的工作原理是通过复杂的图像处理和机器学习算法来识别图像中的字符。其流程大致包括以下几个步骤:
- 图像预处理:包括灰度化、二值化、降噪、倾斜校正等,以提高识别精度。
- 文字检测:在图像中定位文本区域,区分文本和非文本区域。
- 特征提取:从文本区域提取有助于识别字符的关键特征。
- 字符识别:利用机器学习模型,如神经网络,将提取的特征与已知字符模板匹配,识别出字符。
- 版面分析:理解文本的布局,如行、列、段落等,对于复杂文档的识别尤为重要。
- 语言模型:结合语言上下文,提高识别准确率,特别是在识别模糊或有破损文字时。
Tesseract支持通过训练数据定制和优化特定的语言和字体,用户可以根据自己的需求训练特定领域的模型以提高识别精度。它提供命令行工具供用户直接使用,也开放API接口,允许集成到各种应用程序中,如Web服务、移动应用和桌面软件等。
1) MAC中安装
brew install tesseract
查看tesseract是否安装成功
tesseract --version
我电脑上安装后的目录在: /opt/homebrew/bin/tesseract
2) Windows中安装
官方提供了安装包, 可以在官网下载: tesseract OCR下载地址
tips: 需要注意, 因为mac用的brew安装的, 不用配置环境变量, 而windows下安装完需要配置环境变量
3) 中文报下载
下载中文包, 不然会识别不了中文
中文包下载地址
把文件下载后放到目录: /opt/homebrew/share/tessdata (我的目录在这, 按照真实语言库文件路径修改, 可以通过命令tesseract --list-langs查看)
查看所有语言库:
tesseract --list-langs
简单测试:
def extract_text_from_image(image_path):
# 打开图片文件
img = Image.open(image_path)
# 使用pytesseract进行OCR识别,默认情况下它会调用Tesseract命令行工具
text = pytesseract.image_to_string(img, lang='chi_sim')
return text
if __name__ == "__main__":
# 图片路径,请替换为你的图片路径
image_path = './images/word_image1.png'
text = extract_text_from_image(image_path)
print(f"提取的文本内容:\n{
text}")
图片:
提取的文本内容:
江 使 用 pytesseract 进 行 0CR 识 别 , 默 认 情 况 下 它 会 调 用 Tesseract 命 令 行 工 具
text = pyteSsseract .image_to_stringCimg,1Lang=“chi_sim「 )
结果还是会有一些错误
配合图像识别的库可以包括两个: pytesseract和PIL, 可以简单的理解为, 前者负责从图像中提取文字信息,后者则提供图像处理功能,确保进入OCR引擎的图像最适合文字识别。
二、pytesseract的简单使用
识别文字: 从图片中提取出文字
# 打开图片文件
img = Image.open('your_image_path.jpg')
# 使用pytesseract进行OCR识别,默认是英文,可以加lang参数指定语言
text = pytesseract.image_to_string(img)
print(text)
预处理图像:为了提高识别率,可以先对图片进行预处理,如调整大小、灰度化、二值化等。
img = img.convert('L') # 转为灰度图像
img = img.point(lambda x: 0 if x < 128 else 255, '1') # 二值化
指定语言:如果图片中的文字不是英文,可以通过lang参数指定语言, 就是下载的语言包。
text = pytesseract.image_to_string(img, lang='chi_sim') # 识别简体中文
区域识别:如果只需要识别图片中的一部分,可以先裁剪图片。
cropped_img = img.crop((left, top, right, bottom))
text = pytesseract.image_to_string(cropped_img)
除此之外还有很多高阶用法, 可以参考官网或者仓库
pytesseract github地址
文章评论