基于Python的OCR图像识别

前言

由于目前做的项目里面有些地方的需要用到图像文字识别，因此在此总结下，以下方法适合新手

1、使用python的pytesseract库

主要是安装库，比较简单，直接使用 pip install 安装即可；另外，如果进行中文识别，需要下载语言包，并配置好相应环境，具体操作可以进行百度，教程有不少。因为这个识别方法比较简单（但效果并不是很理想），

（1）Tesseract的安装及配置

Tesseract的安装我们可以移步到该网址 https://digi.bib.uni-mannheim.de/tesseract/，里面有很多版本供大家选择，其中w32表示32位系统，w64表示64位系统，大家可以根据自己的需求选择。

下载完成后，安装我们需要知道我们安装的位置，将安装目录配置到系统path变量当中，例如路径是D:\Tesseract-OCR

我们右击我的电脑/此电脑->属性->高级系统设置->环境变量->Path->编辑->新建然后将我们的路径复制进去即可。添加好系统变量后后我们还需要依次点确定

（2）下载语言包

Tesseract默认是不支持中文的，如果想要识别中文或者其它语言需要下载相应的语言包

下载地址如下： https://tesseract-ocr.github.io/tessdoc/Data-Files 

其中有两个中文语言包，一个Chinese-Simplified和Chinese-Traditional，它们分别是简体中文和繁体中文，我们选择需要的下载即可。下载完成后我们需要放到Tesseract的路径下的tessdata目录下，例如D:\Tesseract-OCR\tessdata。

（3）其它模块下载

除了上面的步骤，我们还需要下载两个模块：

pip install pytesseract
pip install pillow

下面直接贴出测试代码：

import pytesseract
from PIL import Image
# 读取图片
im = Image.open('img11.png')
# 识别文字，并指定语言
string = pytesseract.image_to_string(im, lang='chi_sim')
print(string)

因为默认是支持英文的，设置lang='chi_sim'，是把语言设置为简体中文，这种效果不是很好，适合那种简单的识别。

2、调用百度AI平台接口

调用百度AI平台接口会有调用次数限制，通用50000次/天，但学习完全够用

这个类似于调用接口实现词法分析等操作，首先通过注册获得APP_ID、API_KEY、SECRET_KEY，然后调用接口实现OCR。由于是在线API，如果图片体积比较大，涉及到上传数据、分析数据、返回数据等一系列操作，需要一定的时间。此外，因为返回的是 dict 类型数据，所以需要对结果进行处理（这套算法是按行识别文字的，准确率较高，基本可以直接将结果进行提取和拼接）。实现起来比较简单，下面直接贴出代码：

from aip import AipOcr
APP_ID = '00000000'
API_KEY = '00000000000000000000'
SECRET_KEY = '00000000000000000000'
client = AipOcr(APP_ID, API_KEY, SECRET_KEY)
 
def get_file_content(filePath):
    with open(filePath, 'rb') as fp:
        return fp.read()
 
def image2text(fileName):
    image = get_file_content(fileName)
    dic_result = client.basicGeneral(image)
    res = dic_result['words_result']
    result = ''
    for m in res:
        result = result + str(m['words'])
    return result
 
getresult = image2text('./test01.jpg')
print(getresult)

现在工作中调用的是鹅厂内部自己开发的OCR识别系统，识别场景和准确率确实高很多，下一步也该想想提高准确率，毕竟这两个是别人开发调用的，最好是自己训练模型~