实践|超简单实现OCR文字识别应用

点击上方“小白学视觉”，选择加"星标"或“置顶”

重磅干货，第一时间送达

一、前言

最近遇到个小问题，像提取一些印在图片上的文字信息，介于数量比较多——好几张图片，每张都有几百来字，自己对照手打又嫌浪费时间，但找的几个软件要么识别出来的文段错别字一大堆，自己一个个改比直接照原来的打还麻烦，要么就看着像病。当然也不可能自己写一个，从采集数据，训练模型到实际产出，真弄出来估计都要大半年，错别字还不一定比别人的少……于是打算看看一些云计算平台会不会提供一些“便宜”的api，供个人开发者实现类似功能。

而事实上，常见的云计算平台确实都提供了这种功能，包括国产三巨头BAT的三朵云。这次我们拿百度云平台举个例，这次我们使用的是Python3.6 。

二、库与id的配置步骤

我们先可以打开百度云的官网：

用百度搜就好，然后我们在首页-产品-人工智能中找到文字识别选项

然后在弹出的页面中选择“立即使用”

这里，我们要使用百度云计算平台的功能的话还需要创建一个百度账号，如果有pong友水过贴吧的话，那么用那个账号就可以啦，登陆并且进入“文字识别”界面之后我们可以看到：

选择创建应用，根据需求选择要用的功能然后给咱们的应用取个名分个类

例如我创建了个叫文字识别的应用，就可以进入应用管理界面看到：

这里我们需要的就是红框框住的AppID、API Key、Secret Key这三个内容，用于确保接下来我们发送给百度云平台的请求能够被识别。

然后，我们在python3.6中安装baidu-aip这个第三方库：

pip install baidu-aip

至此，我们实现“文字识别”的环境配置就完成了。

三、脚本编写

编写对应的工具脚本非常简单，我们首先看看我们的测试集，这是放在脚本工作目录中 data/ImageForOcr 下两章包含文字的图片

然后我们来编写我们的Python脚本，首先导入两个库

from aip import AipOcr
import os

aip就是我们安装的那个来自百度的库。

我们再写个读取图片的函数：

dir='data\\ImageForOcr'
def read_image(path):
    dir_i=dir+'\\'
    print(dir_i+path)
    with open(dir_i+path,'rb') as f:
        image=f.read()
    return image

path参数用于传入我们希望读取的图片的名字。
然后，我们编写主程序：

api_key='**************'
app_id='**********'
secret_key='********************'
client=AipOcr(app_id,api_key,secret_key)
fs=os.listdir(dir)
file=open(r'output.txt','w',encoding='utf-8')
for image in fs:
    i=read_image(image)
    inf=client.basicGeneral(i)
    for response in inf['words_result']:
        for words in response['words']:
            file.write(words)
    print(inf)
file.close()

Python标准库os库提供的listdir方法用于我们查找所接收参数对应目录下的所有文件和文件夹，返还这些文件和文件夹名字组成的列表，这里我们用它遍历读取 data/ImageForOcr 目录下的所有图片，并调用百度云的api进行识别。

api_key、app_id、secret_key的内容对应我们之前在应用中申请的那三个内容，都作为字符串输入。AipOcr函数是aip提供的类方法，basicGeneral则是由这个方法构建的对象使用的文字识别方法，对应百度云一方提供的“通用文字识别功能”，接收一个图片作为参数，返还文字识别后的信息，通常情况下作为json类对象返还，但在Python中自然就是以dict对象返还，返还内容下：

{
    'log_id': 9021892210976551911,
     'words_result_num': 14, 
    'words_result':[
        {'words':"xxxxxxxxxxx"},
        {'words':"xxxxxxxxxxx"},
        ...
    ]
}

不过有时候会因为某些情况报错，返回内容中就会有err_msg之类的。

（这部分详情参考百度云官方技术文档）

对于我们的两张图片，控制台输出结果如下：

并且我们在脚本工作目录中创建了一个叫output.txt的文件，里面记载着我们识别图片得到的内容，并且几乎没啥错别字：

至此，脚本完成，有需要源码的可以老样子去我们的github（不过这么短的脚本应该没有多大必要吧）

有的读者可能会考虑到，识别后能不能保留文字在原来的图片中的格式，这个可以将basicGeneral换成general方法，这样返回的信息就会包含文段的形状和位置信息，这个方法对应“通用文字识别（含位置信息版）”。

另外，百度云提供的该项api调用并不是无偿的（意料之中啦），不过至少在现在这个时间段，大多是有免费使用次数的，像本文所写的文字识别api，通用版本是免费使用500次/天，并且有QPS限制，不过对于个人作为工具使用其实完全足矣就是了。

四、尾言

所以这篇文章讨论的东西就只有这么点儿吗……是的~，我们用阿里云、腾讯云或者Google云之类的api其实也可以实现类似的功能，至于更深入的使用方式，他们的官方技术文档肯定会详细的多，最主要的还是引入各位（也包括我）对近年发展起来的一些人工智能平台的了解。

不过我们也可以看到，随着时代发展，人工智能的各个阶段开始慢慢分化，从应用数学工具设计优化算法，到利用现有算法训练模型，再到使用已经训练好的优秀模型实现应用（有人戏称其为人工智能三大转职：大神、炼丹师、调包侠（当然，这只是戏称）），人工智能行业也在慢慢成型。

下载1：OpenCV-Contrib扩展模块中文版教程

在「小白学视觉」公众号后台回复：扩展模块中文教程，即可下载全网第一份OpenCV扩展模块教程中文版，涵盖扩展模块安装、SFM算法、立体视觉、目标跟踪、生物视觉、超分辨率处理等二十多章内容。

下载2：Python视觉实战项目52讲

在「小白学视觉」公众号后台回复：Python视觉实战项目，即可下载包括图像分割、口罩检测、车道线检测、车辆计数、添加眼线、车牌识别、字符识别、情绪检测、文本内容提取、面部识别等31个视觉实战项目，助力快速学校计算机视觉。

下载3：OpenCV实战项目20讲

在「小白学视觉」公众号后台回复：OpenCV实战项目20讲，即可下载含有20个基于OpenCV实现20个实战项目，实现OpenCV学习进阶。

交流群

欢迎加入公众号读者群一起和同行交流，目前有SLAM、三维视觉、传感器、自动驾驶、计算摄影、检测、分割、识别、医学影像、GAN、算法竞赛等微信群（以后会逐渐细分），请扫描下面微信号加群，备注：”昵称+学校/公司+研究方向“，例如：”张三 + 上海交大 + 视觉SLAM“。请按照格式备注，否则不予通过。添加成功后会根据研究方向邀请进入相关微信群。请勿在群内发送广告，否则会请出群，谢谢理解~