【OCR】OCR学习记录(2)--Pytesseract介绍

文字OCR识别技术现在已经相当成熟了，无论是准确度还是识别速度都能满足我们日常生活的需要；今天介绍一个Python包，该包的主要功能就是用于OCR识别，包的名字为：Pytesseract，借助这个包几行代码就能快速识别一张文本图片。

Pytesseract包是由开源工具Tesseract得到的，由Hewlett Packard实验室开发，在2005年实行开源；自2006年之后由谷歌和一些优秀的开源贡献者共同开发维护。

Tesseract在3.x版本之后逐渐成熟，支持多种图片格式并且逐步加入多种语言文本识别；但Tesseract3.x版本依旧是基于传统计算机视觉算法，在过去的几年得益于深度学习deep learning的快速迭代，无论是准确率与速度方面都要优于传统算法；在4.0版本之后Tesseract加入了deep learning模块，是基于识别Recognition的LSTM，而LSTM是可归类为循环卷积神经网络RNN。

以Tesseract3.05版本为例，该版本相比4.0、5.0（基于深度学习）在中文语言识别方面准确率稍次。

环境：
操作系统: Win10;
Python 3.8;
pyteeseract 0.3.8;
Tesseract 3.05；

pytesseract 安装
1、安装 tesseract 工具
相对其它程序包，pyteeseract 的安装步骤会相对繁琐一点，因为 pyteeseract 识别功能是基于 tesseract 开源工具完成的，所以第一步 安装 tesseract ，安装包下载链接：
https://digi.bib.uni-mannheim.de/tesseract/

下载tesseract-ocr-setup-3.05.00dev.exe完之后安装(安装方式就是傻瓜式安装)[也可以下载其他版本]

tesseract 安装成功之后，需把存放 tesseract.exe 的文件路径加入到环境变量中，如下图我的 tesseract.exe 存放的文件夹就是 D:/Tesseract-OCR 加入环境变量即可；

2、pip install pytesseract
在命令行中，用 pip 工具下载 pytesseract 包
pip install pyteeseract # 0.3.8版本

3、修改pytesseract.py 脚本
在 步骤 2 的基础之上，找到 pytesseract 的安装路径，如果 Python 是通过 Anaconda 安装的话的话，安装路径一般都在 Anaconda/Lib/site-packages 文件夹下；找到之后找 pytesseract 文件夹下的 pytesseract.py 脚本文件，

找到之后，用记事本或者代码编辑器打开 pyresseract.py，通过 ctrl +F 快速搜索功能定位 tesseract_cmd ，修改后面的文件路径信息(用上面提到的 tesseract.exe 安装路径进行替换即可)；

pytesseract 使用
程序包的用法也相对比较简单，几行代码就能搞定，下面代码就是把一张图片中的文字识别，并转化为 字符串打印出来，选择识别语言 英语( 更改 lang = ‘eng’ 参数即可)

ocr_test.py

import pytesseract
import cv2

img_path = r"C:\Users\zqq\Desktop\ocr_test.jpg"

# 下面一行代码很重要
tessdata_dir_config = '--tessdata-dir "D://Tesseract-OCR//tessdata"'

im = cv2.imread(img_path)
img = cv2.cvtColor(im,cv2.COLOR_BGR2RGB)

text = pytesseract.image_to_string(img,lang= 'eng',config= tessdata_dir_config,)
print(text)

效果预览，识别前

识别后

pytesseract 支持将 OpenCV 和 PIL 读取后的图像作为输入，但图像格式需为 RGB 模式，因此 OpenCV 读取之后还要加入一行代码把图像的 BGR 模式转化为 RGB

另外需要注意一点 ,上面实例中下面这一行代码不能去掉(用于后面 image_to_string() 函数中的 config 参数的设置)

tessdata_dir_config = '--tessdata-dir "F://Program Files//Tesseract-OCR//tessdata"'

否则会报下面的错误，tessdata 文件路径定位失败 ，

Failed loading language ‘eng’ Tesseract couldn’t load any languages! Could not initialize tesseract.’)

tessdata 文件路径存放的是语言包文件，是用于 识别图像中不同语言，通过修改 lang 参数来进行设定；但需要知道的是，tesseract 工具起初默认语言为 eng(英文)，若需要借助 tesseract 识别不同语种需要下载对应的 语言包文件，安装到 tessdata 文件夹下即可

例如上面案例中我用的是 英语，这里我想识别图片中的中文字符，就需要把中文语言包下载 到 testdata 中，各语言包的下载地址，https://github.com/tesseract-ocr/tessdata

再把代码中 image_to_string() 中 lang 参数设为 chi_sim 即可

pyteeseract 其他用法
https://pypi.org/project/pytesseract/

参考：
https://mp.weixin.qq.com/s?__biz=MzU2NTgxMjUyMQ==&mid=2247485753&idx=1&sn=7ee27699e6b99b3ad69870c5235eed28&chksm=fcb7457fcbc0cc6980569ae8ee362df437cc47bd286431b263bb6efd93039de52ef65db05295&token=1121212502&lang=zh_CN#rd