python+tesseract 实现OCR-图像文字识别

前提：python环境，系统：mac系统

1安装依赖包

安装pillow和tesseract

pip install pillow

brew install tesseract

pip install pytesseract

tesseract -v 查看版本

2下载中文字体包

下载地址：https://raw.githubusercontent.com/tesseract-ocr/tessdata/4.00/chi_sim.traineddata

字体包注意需要和tesseract版本保持一致。不一致可能会报错。

将下载的中文字体包放在安装目录下：

cp chi_sim.traineddata /usr/local/Cellar/tesseract/4.1.1/share/tessdata/

cp命令报错的话，命令前面加sudo

3命令行实现文字识别

中文识别（部分英文识别错误）：tesseract 2.png 8 -l chi_sim

中英文识别：tesseract 2.png 8 -l chi_sim+eng

识别结果会存放在8.txt文件中

4python代码实现文字识别

from PIL import Image
import pytesseract

def erzhi(image):
    # 模式L”为灰色图像，它的每个像素用8个bit表示，0表示黑，255表示白，其他数字表示不同的灰度。
    Img = image.convert('L')

    # 自定义灰度界限，大于这个值为黑色，小于这个值为白色
    thresholdMax = 256
    thresholdMin = 180
    table = []
    for i in range(256):
        if (i < thresholdMax) & (i > thresholdMin):
            table.append(0)
        else:
            table.append(1)

    # 图片二值化
    photo = Img.point(table, '1')
    # photo.save("/vd/5-11.png")
    return photo

if __name__ == '__main__':
    path = '/vd/5.png'
    image = Image.open(path)
    photo = erzhi(image)
    text = pytesseract.image_to_string(photo, lang='chi_sim+eng')
    print(text)

5识别效果

示例图片：5.png

 

二值化后：（二值化提高识别率）5-11.png

识别效果：

6.常见问题

 TESSDATA_PREFIX 环境变量问题

pytesseract.pytesseract.TesseractError: (1, 'Error opening data file /user/local/share/tessdata/chi_sim.traineddata Please make sure the TESSDATA_PREFIX environment variable is set to the parent directory of your "tessdata" directory. Failed loading language \'eng\' Tesseract couldn\'t load any languages! Could not initialize tesseract.')

解决办法：

1,win版本的网上查配置环境变量，mac 版本的试一下这个：

export TESSDATA_PREFIX=/usr/local/Cellar/tesseract/4.1.1/share/tessdata

2，检测chi_sim.traineddate下载版本与tesseract版本是否一致

3，注意依赖包的装载顺序，如果先装了pytesseract，再装tesseract时候，会提示已安装，试试重装一下

brew reinstall tesseract