【OCR】实战使用 - ocr 识别图片中的文字

实战使用 - ocr 识别图片中的文字

在Python中，OCR（Optical Character Recognition，光学字符识别）通常使用一些开源库来实现，如 pytesseract、Tesseract、PIL（Python Imaging Library）等。以下是一个基本的示例，说明如何使用pytesseract和PIL库来识别图片中的文字：

import pytesseract
from PIL import Image

# 打开图片文件
image = Image.open('your_image_file_path.jpg')

# 将图片转换为灰度图像以提高识别效果
gray_image = image.convert('L')

# 使用pytesseract进行文字识别
text = pytesseract.image_to_string(gray_image)

# 打印识别出的文字
print(text)

# 如果你还需要保存处理后的图像，可以使用以下代码：
gray_image.save('processed_image.png')

在这个示例中：

1. 首先导入所需的库。
2. 使用Image.open()函数打开图片文件。
3. 使用convert()函数将图片转换为灰度图像，这有助于提高OCR的识别准确率。
4. 使用pytesseract.image_to_string()函数对图像进行文字识别，并将结果存储在text变量中。
5. 打印识别出的文字。
6. 如果需要保存处理后的图像（这里是灰度图像），可以使用save()函数。

注意：

• 确保已经安装了Tesseract OCR引擎以及相关的语言数据包。你可以通过以下命令安装Tesseract（假设你已经安装了Homebrew）：

brew install tesseract

• 安装 pytesseract 库：

pip install pytesseract

• 根据你的系统和Tesseract的安装位置，可能需要在使用pytesseract时指定Tesseract的路径。
• Tesseract的识别效果可能会受到图片质量、文字清晰度、字体类型和大小等因素的影响。对于复杂的图像或特定类型的文本，可能需要进行额外的预处理步骤或使用更高级的OCR技术。
  设置识别文字的语言
  在使用Tesseract OCR进行文字识别时，你可以通过以下方式设置识别的语言：

import pytesseract

# 设置识别语言为中文（简体）
pytesseract.pytesseract.tesseract_cmd = '/usr/bin/tesseract'  # 如果需要指定Tesseract路径
language = 'chi_sim'  # 中文（简体）的语言代码

# 打开图片文件
image = Image.open('your_image_file_path.jpg')

# 将图片转换为灰度图像以提高识别效果
gray_image = image.convert('L')

# 使用pytesseract进行文字识别，同时指定识别语言
text = pytesseract.image_to_string(gray_image, lang=language)

# 打印识别出的文字
print(text)

在这个示例中，我们设置了识别语言为中文（简体），语言代码为chi_sim。你需要根据你想要识别的语言来更改这个代码。
以下是一些常见语言的Tesseract语言代码：

• 英语：eng
• 简体中文：chi_sim
• 繁体中文：chi_tra
• 法语：fra
• 德语：deu
• 日语：jpn
• 韩语：kor

如果你需要识别的语言不在这个列表中，你可以通过运行Tesseract命令行工具并输入tesseract --list-langs来查看所有支持的语言。

请注意，为了识别特定语言的文字，你需要在你的系统上安装相应的Tesseract语言数据包。这些数据包通常可以通过Tesseract的安装程序或者单独下载安装。

如果你不知道如何安装Tesseract语言数据包，可以参考我之前的文章：
【OCR】 - Tesseract OCR在mac系统中安装
【OCR】 - Tesseract OCR在Windows系统中安装