使用 Python 識別並提取圖像中的文字

1. 介紹

介紹使用 python 進行圖像的文字識別，將圖像中的文字提取出來，可以幫助我們完成很多有趣的事情。

2. 必備工具

1. tesseract-ocr

下載地址： https://github.com/UB-Mannheim/tesseract/wiki

tesseract-ocr 是一個開源的圖片OCR識別庫， 功能及其強大，支持多國語言。

更高級的用法，它還支持機器學習算法，通過訓練的方式，使OCR識別更加智能化及准確。

2. python 庫

使用安裝 pytesseract 和 pillow 庫：

pip install pytesseract
pip install pillow

3. 開發使用

使用 python 配合 tesseract 識別文字中的圖像可以非常簡單，幾行代碼就可以搞定。

例如，識別下面這張圖片：

首先導入 pytesseract 和 pillow 庫

import pytesseract
from PIL import Image

然后指定 tesseract 目錄：

pytesseract.pytesseract.tesseract_cmd = 'f:/tessert/tesseract.exe'

然后使用 pillow 庫加載圖片：

img = Image.open('test.png')

最后使用 tesseract 識別圖像的文字:

text = pytesseract.image_to_string(img, lang='chi_sim')
print(text)

最后的結果是：

可以看到，有偏差，但是基本上都識別出來了。

4. 總結

這里只是入門級的介紹，當然還有問題，比如彩色圖像識別一般效果不好，對比度低的圖像識別也不一定好，這就需要我們對圖片進行處理后再來識別。比如提取灰度圖片，銳化圖片等操作，具體涉及到的是數字圖像處理的領域了，這個后面有機會再討論。