python图文识别_利用python进行图文识别OCR初探

OCR技术是光学字符识别的缩写(Optical Character Recognition)，是通过扫描等光学输入方式将各种票据、报刊、书籍、文稿及其它印刷品的文字转化为图像信息，再利用文字识别技术将图像信息转化为可以使用的计算机输入技术。可应用于银行票据、大量文字资料、档案卷宗、文案的录入和处理领域。适合于银行、税务等行业大量票据表格的自动扫描识别及长期存储。相对一般文本，通常以最终识别率、识别速度、版面理解正确率及版面还原满意度4个方面作为OCR技术的评测依据；而相对于表格及票据，通常以识别率或整张通过率及识别速度为测定OCR技术的实用标准。

解析

采用OCR识别技术,可以将其应用于银行票据光盘缩微系统，可以自动提取票据要素，可减轻操作员的工作量，减少重复劳动，尤其是在与银行事后且监督系统相结合后，可以替代原先的操作人员完成事后监督工作。由计算机自动识别票据上的日期、帐号、金额等要素，通过银行事后监督系统与业务系统中的数据进行比较，完成传统的事后监督操作；配有印章验证系统后，自动将凭证图像中的印章与系统中预留的印鉴进行比较，完成印章的真伪识别。

OCR识别技术不仅具有可以自动判断、拆分、识别和还原各种通用型印刷体表格，在表格理解上做出了令人满意的实用结果，能够自动分析文稿的版面布局，自动分栏、并判断出标题、横栏、图像、表格等相应属性，并判定识别顺序，能将识别结果还原成与扫描文稿的版面布局一致的新文本。表格自动录入技术，可自动识别特定表格的印刷或打印汉字、字母、数字，可识别手写体汉字、手写体字母、数字及多种手写符号，并按表格格式输出。提高了表格录入效率，可节省大量人力。同时支持将表格识别直接还原成PTF、PDF、HTML等格式文档；并可以对图像嵌入横排文本和竖排文本、表格文本进行自动排版面分析。　　利用目前的高新技术-OCR，直接从凭证影像中提取金额、帐号等重要数据，代替人的手工录入，与条码识别/流水识别紧密结合，实现建立事后副本帐、完成事后监督的工作。OCR处理一般使用性能较好的PC机，OCR处理程序一经启动会自动扫描数据库中的凭证影像，发现有需OCR处理而未处理的，提取到本地进行处理。

OCR手写体、印刷体识别技术，能识别不同人写的千差万别的手写体汉字和数字，应用于本系统，识别凭证影像中储户填写的信息，如大写金额、小写金额、帐号、存期、日期、证件号等，可以代替手工录入。同时被识别得出的金额还要与流水识别所得的金额进行核对，核对成功，则OCR识别成功。这样处理是为了避免误判。

经过对银行产生的实际凭证进行的大量测试，在实际开发过程中，根据银行的实际需求，OCR技术在票据和表格识别能力和手写体自动识别能力上不断提升，目前处理速度可达到每分钟60～80张票据，存折识别率已经达到了85%以上，存单、凭条识别率达到90%以上，而85%以上的识别率就能减少80%以上的数据录入员。

在档案领域OCR技术使档案扫描成果达到了全文可识别，将档案数字化发展提升了到了一个新的阶段，是原本扫描出来的图片变得更容易进行检索，为数字档案馆的数据查询提供了技术支持，是档案数字化发展中必不可少的一环。

以上内容来自百度百科

相关的工具：Tesseract

Tesseract概述：

Tesseract 是一个OCR库，目前由Google赞助(Google也是一家以OCR和机器学习技术闻名于世的公司)。Tesseract是目前公认最优秀、最精确的开源OCR系统。

Tesseract的Windows安装包下载地址为：http://digi.bib.uni-mannheim.de/tesseract/tesseract-ocr-setup-4.00.00dev.exe，下载后双击直接安装即可。安装完后，需要将Tesseract添加到系统变量中。