Python实现图片文字识别

1. windons下安装

1.1 安装 Pillow 和 pytesseract

安装都很简单，在cmd命令行里直接pip3 install xxxxx就行

1.2 安装 tesseract-ocr

安装完库还不行，还要安装 tesseract 的软件，这样系统才能识别引擎成功读取文字。

可从github下载 tesseract-ocr-setup-4.00.00dev

https://github.com/tesseract-ocr/tesseract/wiki/4.0-with-LSTM#400-alpha-for-windows
也可以直接搜索 Tesseract-OCR下载即可

安装的时候要注意，tesseract的安装并不默认安装什么语言，如果自己需要简体中文的语言包，那么就不能一直点next点到finish。如下图，我安装了MATH和简体中文包。

1.3 中文语言包

如果安装 tesseract-ocr 时没有设置安装中文，如果不是做英文的图文识别，还需要下载其他语言的识别包–语言包地址 其他语言各版本的识别包下载 ,如简体字识别包对应的是chi_sim.traineddata ，繁体字识别包对应的是chi_tra.traineddata ，下载好之后放到安装目录的tessdata目录下即可（只用简体字就OK）。

1.4 配置环境变量

博主的安装路径为：C:\Program Files(x86)\Tesseract-OCR。电脑属性–高级系统设置–环境变量，进入如下界面。

把刚刚的安装路径"C:\Program Files(x86)\Tesseract-OCR"添加到用户变量和系统变量的path中，注意，添加的时候开头用"；“跟之前的变量隔开，以”；"结尾。配置好后点击确定。

打开命令终端，输入：tesseract -v，可以看到版本信息。

进入cmd窗口，敲入命令cd C:\Program Files (x86)\Tesseract-OCR，再输入tesseract，若有如下信息则表示安装成功。

1.5 运行

代码示例：

from PIL import Image
import pytesseract
# 如果没有配置环境变量要加上这句
# pytesseract.pytesseract.tesseract_cmd = 'C://Program Files (x86)/Tesseract-OCR/tesseract.exe'
text=pytesseract.image_to_string(Image.open('denggao.jpeg'),lang='chi_sim')
print(text)

2. Linux下安装

tesseract是一个开源的OCR引擎，最初是由惠普公司开发用来作为其平板扫描仪的OCR引擎，2005年惠普将其开源出来，之后google接手负责维护。目前稳定的版本是3.0。4.0版本加入了基于LSTM的神经网络技术，中文字符识别准确率有所提高。
ubuntu下tesseract 4.0安装：
终端依次输入以下命令：

sudo add-apt-repository ppa:alex-p/tesseract-ocr

sudo apt-get update

sudo apt-get install tesseract-ocr 

# 测试安装是否成功，同时检查版本：
tesseract --version 

# 查看已安装字库
tesseract --list-langs

# 更多tesseract使用指令可以查看help
tesseract --help

在Linux系统下不需要把tesseract添加到环境变量中

添加所需字体：
tesseract支持60多种语言的识别不同，使用之前需要先下载对应语言的字库，下载地址：
https://github.com/tesseract-ocr/tessdata

下载完成之后把 .traineddata 字库文件放到 tessdata 目录下，默认路径是/usr/share/tesseract-ocr /4.0/tessdata

参考文献：

https://blog.csdn.net/dcrmg/article/details/78128026