python 图片提取文字

tesseract-ocr 介绍

ocr含义是Optical Character Recognition，含义即视觉字符识别。而tesseract是该领域特别优秀开源的作品。

官方的tesseract定义：

OCR engine - libtesseract and a command line program - tesseract.

即tesseract包括一个视觉字符识别引擎libtesseract和命令行程序tesseract。

当前最新稳定版本是4.x.x基于LSTM，源码可从找到tesseract的GitHub: tesseract.找到。

 

 

 

关于tesseract的工作模式如上图所示。假设现在有一个图片输入，整个执行流程为：

1. 输入（一张图片）
2. 有用信息提取（比如一个图片上只有一个字，那其他留白的是无用，这个字上每个色素是有效的并且相关）
3. 找出文字/线条
4. 字符分类集
5. 输入与分类集对比找出最接近的
6. 输出识别结果

 2 安装tesseract

第一步下载

下载合适的exe安装文件：

网址：https://digi.bib.uni-mannheim.de/tesseract/，下载完成后后装即可

可以安装最新版本 5.0 的 

 

第二步环境变量配置

在path变量中加入tesseract-ocr的安装路径

 

 

 

第三步安装成功检测

使用tesseract指令，显示如下：

 

3、使用命令行

1.tesseract + 图片路径 + 保存结果名 + -l 语言集

示列: tesseract 1606150081.png 1606150081 -l chi_sim

2.tesseract + 图片路径 +stdout -l +语言集

示列: tesseract D:\company\ruigushop\spring-2s\test.png stdout -l chi_sim

有了上述之后就可以完成web图片识别程序的开发啦，废话不多说，直接上代码。

4、现在只能识别英语 如果要中文需要引入

https://gitee.com/acgnhiki/tessdata_best

下载后将所有的文件复制到安装路径的 tessdata 中

也不要删除掉原来tessdata中的数据

 

 

 

 

5、python中的使用

import os
cmd = "tesseract "+'3.png'+" " + '2' + " -l chi_sim"
os.system(cmd)

　

引用：

https://mp.weixin.qq.com/s/gU_-8jTxw-Rhoi5oarStOg

https://www.zhihu.com/tardis/sogou/art/131424804