Tesseract光学识别

OCR简介

本post探讨的光学识别工具是google开发的tesseract，项目主页：
tesseract-ocr/tesseract

该项目用C语言所写，官方提供了生成好的windows平台下的二进制文件，但是是老版本的，然后又说了可以从这里面Tesseract at UB Mannheim下到最新版的win平台打包

确实第三方维护的最新版的tesseract，但是我想说安装的时候注意不要选择PATH那一项，作者打包时估计没注意，直接把你的PATH覆盖了，还好之前有备份PATH环境变量，要不然痛不欲生

今天主要讲tesseract在win平台下的使用，以及基于tesseract打包的，用python写的两个库:

• pytesseract
• pyocr

tesseract使用

tesseract -h

获取使用帮助，比较详细吧

tesseract imagename outputbase [-l lang] [-psm pagesegmode] [configfiles...]

基本就是这种用法，举个例子:

桌面有个图片，叫1.jpg

我们先把cmd的路径切到桌面，然后输入:

tesseract 1.jpg test -l chi_sim

-l chi_sim表示用训练的中文数据库识别图片中的文字，不带-l默认使用英文，多个语言之间使用+连接，以下是其他语言的简写:

LANGUAGES

下载其他训练好的语言数据包:

tesseract-ocr/tessdata

执行上面的命令以后，会在桌面生成一个test.txt文件，文件内容就是识别的文字

评价:识别效果一般

pytesseract使用

之所以说是tesseract的封装，是因为底层就是调用上述tesseract命令，这个python库的使用比较简单，看下例子:

from PIL import Image
import pytesseract

print(pytesseract.image_to_string(Image.open(r"C:\Users\zzx\Desktop\1.jpg")))
print(pytesseract.image_to_string(Image.open(r"C:\Users\zzx\Desktop\1.jpg"), lang='fra'))

直接用print输出到控制台可能出现乱码问题，因为image_to_string函数内部返回的:

f = open(output_file_name)
try:
    return f.read().strip()
finally:
    f.close()

open没有指定编码，而生成的存放结果的临时文件是通过官方tempfile模块生成的，之后将结果写入文件是通过subprocess.Popen，所以临时文件中的结果与cmd的编码有关。可能会出现乱码。

PyOCR使用

from PIL import Image
import sys

import pyocr
import pyocr.builders

tools = pyocr.get_available_tools()
if len(tools) == 0:
    print("No OCR tool found")
    sys.exit(1)
# The tools are returned in the recommended order of usage
tool = tools[0]
print("Will use tool '%s'" % (tool.get_name()))
# Ex: Will use tool 'libtesseract'

langs = tool.get_available_languages()
print("Available languages: %s" % ", ".join(langs))
lang = langs[0]
print("Will use lang '%s'" % (lang))
# Ex: Will use lang 'fra'
# Note that languages are NOT sorted in any way. Please refer
# to the system locale settings for the default language
# to use.

txt = tool.image_to_string(
    Image.open('test.png'),
    lang=lang,
    builder=pyocr.builders.TextBuilder()
)

word_boxes = tool.image_to_string(
    Image.open('test.png'),
    lang="eng",
    builder=pyocr.builders.WordBoxBuilder()
)

line_and_word_boxes = tool.image_to_string(
    Image.open('test.png'), lang="fra",
    builder=pyocr.builders.LineBoxBuilder()
)

# Digits - Only Tesseract (not 'libtesseract' yet !)
digits = tool.image_to_string(
    Image.open('test-digits.png'),
    lang=lang,
    builder=pyocr.tesseract.DigitBuilder()
)

这是官网的例子，也很容易看懂

还能检测方向:

if tool.can_detect_orientation():
    orientation = tool.detect_orientation(
        Image.open('test.png'),
        lang='fra'
    )
    pprint("Orientation: {}".format(orientation))
# Ex: Orientation: {
#   'angle': 90,
#   'confidence': 123.4,
# }

参考文档

• tesseract-ocr/tesseract
• madmaze/pytesseract
• jflesch/pyocr