八. OCR识别的方法：tesseract-ocr

1.使用tesseract-ocr

最早由HP公司研发的一个开源文字识别项目，项目地址为：https://github.com/tesseract-ocr/tesseract/wiki
①本次在win7_64位系统上安装，可使用以下链接：
主程序:https://digi.bib.uni-mannheim.de/tesseract/tesseract-ocr-setup-4.0.0-alpha.20180109.exe
语言包:https://github.com/tesseract-ocr/tessdata/blob/master/chi_sim.traineddata

若更新，可参照下列图片找到链接：

image.png

②下载完主程序和语言包后，直接点击安装，全程默认下一步即可。安装完成后，将安装地址加入系统路径，默认安装地址为：C:\Program Files (x86)\Tesseract-OCR;

③打开CMD命令，然后输入tesseract -v,如果显示版本号，则主程序安装完成。

image.png

④将语言包放在以下文件夹中：
C:\Program Files (x86)\Tesseract-OCR\tessdata

⑤新建系统变量：
变量名是TESSDATA_PREFIX，变量值是C:\Program Files (x86)\Tesseract-OCR\tessdata;

image.png

变量生效可能需要重启，想快速搞定，可以直接输入SET TESSDATA_PREFIX=C:\Program Files (x86)\Tesseract-OCR\tessdata

⑥设置完成，可以找个范例试试，这里讲需要识别的内容设置为123.jpg，放在C:\Program Files (x86)\Tesseract-OCR处，并打开cmd命令，输入：
tesseract.exe 123.jpg 1 -l chi_sim

image.png

若出现上述截图，运行成功，可以看到文件夹下生成了一个1.txt文件，记载着识别效果。

image.png

image.png

总的来说，数字和英文识别率较高，但是中文的识别率较低。

⑦接下来安装pytesseract，依赖于PIL或Pillow。

image.png

code2.png

安装好后就可以试验一下了：

from PIL import Image
import pytesseract
img = Image.open('code2.png')                   #打开图片，目前图片放在与tesseract同样的目录下
img = img.convert('L')                          #使用convert方法转换成灰度图像，识别率更高。也可以省略
print(pytesseract.image_to_string(img))         #转换成字符串输出
img.show()                                      #可以把处理后的图片显示出来

image.png

image.png

⑧结果嘛，最后一个5被识别成“S”，其他都还是正确的。
那是否没有办法了呢？或许我们可以试试二值化处理。

from PIL import Image
import pytesseract
img = Image.open(r'C:\Program Files (x86)\Tesseract-OCR\code2.png')
img = img.convert('L')
#img.show()
print(pytesseract.image_to_string(img))


#二值化处理
threshold = 150            #定义临界值
table = []
for i in range(256):
    if i < threshold:
        table.append(0)    #小于临界值的，都定义为0
    else:
        table.append(1)    #大于临界值的，都定义为1
out = img.point(table,"1")  #图像模式为"L"时，point方法对应的第二个参数设为”1“。第一个参数table被规定为一个拥有256个值的列表。
out.show()
print(pytesseract.image_to_string(out))

结果竟然成功了。

不过，Tesseract仅对容易区分、没有干扰的取现或字符有较好效果，复杂情况下的识别率还有待提高。