使用tesseract进行中文文字识别

简介

本文主要介绍如何通过tesseract进行文字识别，及其识别效果。

效果图

	图片
测试图
测试结果

环境

• ubuntu
• python2.7

安装

• tesseract

sudo apt-get install tesseract-ocr

• 安装tesseract tessdata https://github.com/tesseract-ocr/tessdata 下载对应语言文字学习数据，并保存到/usr/share/tesseract-ocr/tessdata 或 /usr/share/tessdata 位置

• pyocr

sudo pip install pyocr

测试代码

• demo.py

from PIL import Image
import sys

import pyocr
import pyocr.builders

import sys

tools = pyocr.get_available_tools()

if len(tools) == 0:
    print("Not found OCR tool")
    sys.exit(1)

tool = tools[0]
print("Will use tool: '%s'" % (tool.get_name()))

langs = tool.get_available_languages()
print("Available languages: '%s'" % ", ".join(langs))
print("Will use lang '%s'" % ("chi_sim"))

txt = tool.image_to_string(
    Image.open('images/jjj.jpg'),
    lang='chi_sim',
    builder=pyocr.builders.TextBuilder(tesseract_layout=6)
)

print(txt)

运行

python2 demo.py

评价

文字识别的精度有待提升。一些像素低的，如标点符号都不能很好的解析出来。有兴趣的同学可以深入研究一下。

本文涉及代码

https://github.com/cangyan/python-ocr

参考链接

https://qiita.com/it__ssei/items/fd804dcb10997566593b

查看原文： https://www.huuinn.com/archives/410
更多技术干货： 风匀坊
关注公众号：风匀坊