利用Tesseract-ocr进行图片文字识别

文章作者：易明
个人博客：https://yiming1012.github.io
主页：https://www.jianshu.com/u/6ebea55f5cec
邮箱地址：[email protected]

背景简介

    最近有一个需求，识别随车清单图片，并提取关键信息。经过调研选取了两种方法尝试：

1、Google维护的Tesseract-ocr
2、百度云OCR

Tesseract-ocr介绍

1、从https://github.com/UB-Mannheim/tesseract/wiki
下载对应的版本。推荐4.0以上。

2、安装过程中需要下载Additional language data。你可以全选，也可以只下载中文包。安装的过程比较漫长……

3、测试Tesseract

1. 查看版本：tesseract -v

   
   
   
   

   2.查看语言：tesseract --list-langs

   
   
   
   3.识别图片：tesseract hua.png out
   

由上面看出，识别出来的都是啥啊。

4、通过Python识别图片文字。

1. Python代码

# -*- coding: utf-8 -*-
from PIL import Image as myImage
import pytesseract
# 指定tesseract路径
pytesseract.pytesseract.tesseract_cmd = 'C:/Program Files (x86)/Tesseract-OCR/tesseract.exe'
# 读取图片
img = myImage.open('hua.png')
# 识别图片
text = pytesseract.image_to_string(img, lang='chi_sim')
print(text)

2. 待识别的图片

   
   
3. 识别效果
   
   
   可以看出，tesseract-ocr的识别效果较差。不过，它的优势是可以通过jTessBoxEditor工具来修正错误数据训练字库，感兴趣的同学可以尝试，这里不再赘述。

百度云OCR

1、调用百度云文字识别的API，首先需要进入百度智能云官网——产品服务——文字识别——应用列表——创建应用。创建成功之后，便可以获的AppID、API Key和Secret Key三个参数。

2、Python开发者可以参考Python-SDK指南，其中对Python如何调用接口以及具体参数配置做了详细说明。其他语言开发者可以参考该网站其他SDK文档。
3、通过pip安装baidu-aip包: pip install baidu-aip
4、代码展示：

# -*- coding: gbk -*-
from aip import AipOcr
import pandas as pd

# 配置百度参数
config = {
    'appId': 'yourappid',
    'apiKey': 'yourapiKey',
    'secretKey': 'yoursecretKey'
}
client = AipOcr(**config)

def get_file_content(file):
    with open(file, 'rb') as fp:
        return fp.read()

def img_to_str(image_path):
    image = get_file_content(image_path)
    """ 如果有可选参数 """
    options = {}
    # 是否检测图像朝向，默认不检测
    options["detect_direction"] = "true"
    # 是否返回识别结构中每一行的置信度
    options["probability"] = "true"
    # result = client.basicGeneral(image)
    result = client.basicAccurate(image, options)
    print(result.get("words_result"))
    df = pd.DataFrame(result.get("words_result"))
    return df

pictureContent = img_to_str('hua.png')
print(pictureContent)
print(list(pictureContent['words']))

5、效果展示

其中，图片为向左旋转90度后的，从上面看出，该接口能检测图片朝向，并能识别图中文字，而且准确率非常高。