tesseract 学习笔记 psm+限定识别内容提升识别精度

1.下载地址：Index of /tesseract

建议选择最新V5.0的，在识别性能和准确度上都有所提升

2.添加环境变量

安装完成后，添加环境变量：

在Path上添加tesseract的安装路径：

添加新的系统变量：TESSDATA_PREFIX， 值为tesseract-OCR testdata路径

3.python 使用

import pytesseract
from PIL import Image
import cv2

img = cv2.imread("y1y2.png")
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
text = pytesseract.image_to_string(gray)
print(text)

此时就能读取出来图片里的文字。

如果识别效果不好，但是图片里的文字是确定的，则可以通过指定识别的文字范围来提高精确度。

4.tesseact限定识别内容

例如要识别数字和英文字母的内容，加了限定以后，识别的准确率有所提升。亲测，比如Y1,Y2;3-position在未加限制之前，识别了 L ¥ 23 position. 加了限定后识别成了Y1,Y2;3-position

具体方法：

打开tesseract安装目录，进入

tessdata/configs/

将digits复制一份，改名为：tmptest，表示增加一份识别规则的配置

使用文字编辑工具，打开文件tmptest

在tessedit_char_whitelist 后面跟随要识别的字符, 叫识别的白名单，保存退出。

tessedit_char_whitelist 0123456789-;...abcdefghigklmnopqrstuvwxyz.&%ABCDEFGHIGKLMNOPQRSTUVWXYZ,

识别的时候，需要在命令里加上tmptest配置，例如

tesseract xxx.jpg result -psm 7 tmptest

 python 代码：

import pytesseract
from PIL import Image
import cv2

img = cv2.imread("y1y2.png")
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
config = "--psm  7"
text = pytesseract.image_to_string(gray, config='--psm 7 tmptest')
print(text)

5.其它

语言叠加

识别多语言，可以这样传：

code = pytesseract.image_to_string(image,lang="chi_sim+eng",config="-psm 6")

-psm的说明

关于config中 -psm配置项的说明可以通过tesseract --help-psm 查看psm