OCR與Tesseract介紹
將圖片翻譯成文字一般被稱為光學文字識別（Optical Character Recognition，OCR）。可以實現OCR 的底層庫並不多，目前很多庫都是使用共同的幾個底層OCR 庫，或者是在上面進行定制。
Tesseract 是一個OCR 庫，目前由Google 贊助（Google 也是一家以OCR 和機器學習技術聞名於世的公司）。Tesseract 是目前公認最優秀、最精確的開源OCR 系統。
除了極高的精確度，Tesseract 也具有很高的靈活性。它可以通過訓練識別出任何字體（只要這些字體的風格保持不變就可以），也可以識別出任何Unicode 字符。
Tesseract的安裝與使用
Tesseract的Windows安裝包下載地址為： http://digi.bib.uni-mannheim.de/tesseract/tesseract-ocr-setup-4.00.00dev.exe ，下載后雙擊直接安裝即可。安裝完后，需要將Tesseract添加到系統變量中。在CMD中輸入tesseract -v, 如顯示以下界面，則表示Tesseract安裝完成且添加到系統變量中。
識別簡體中文，需要事先安裝簡體中文語言包，下載地址為：https://github.com/tesseract-ocr/tessdata/find/master/chi_sim.traineddata ,再講chi_sim.traineddata放在C:\Program Files (x86)\Tesseract-OCR\tessdata目錄下。
Python圖像處理之圖片驗證碼識別
利用Tesseract軟件來識別圖片中的英文與中文，本文將具體介紹如何在Python中利用Tesseract軟件來識別驗證碼（數字加字母）。
本文將具體介紹如何利用Python的圖像處理模塊pillow和OCR模塊pytesseract來識別上述驗證碼（數字加字母）。
我們識別上述驗證碼的算法過程如下：
-
- 將原圖像進行灰度處理，轉化為灰度圖像；
- 獲取圖片中像素點數量最多的像素（此為圖片背景），將該像素作為閾值進行二值化處理，將灰度圖像轉化為黑白圖像（用來提高識別的准確率）；
- 去掉黑白圖像中的噪聲，噪聲定義為：以該點為中心的九宮格的黑點的數量小於等於4；
- 利用pytesseract模塊識別，去掉識別結果中的特殊字符，獲得識別結果。
完整的Python代碼如下：
import os import pytesseract from PIL import Image from collections import defaultdict # tesseract.exe所在的文件路徑 pytesseract.pytesseract.tesseract_cmd = 'C://Program Files (x86)/Tesseract-OCR/tesseract.exe' # 獲取圖片中像素點數量最多的像素 def get_threshold(image): pixel_dict = defaultdict(int) # 像素及該像素出現次數的字典 rows, cols = image.size for i in range(rows): for j in range(cols): pixel = image.getpixel((i, j)) pixel_dict[pixel] += 1 count_max = max(pixel_dict.values()) # 獲取像素出現出多的次數 pixel_dict_reverse = {v: k for k, v in pixel_dict.items()} threshold = pixel_dict_reverse[count_max] # 獲取出現次數最多的像素點 return threshold # 按照閾值進行二值化處理 # threshold: 像素閾值 def get_bin_table(threshold): # 獲取灰度轉二值的映射table table = [] for i in range(256): rate = 0.1 # 在threshold的適當范圍內進行處理 if threshold * (1 - rate) <= i <= threshold * (1 + rate): table.append(1) else: table.append(0) return table # 去掉二值化處理后的圖片中的噪聲點 def cut_noise(image): rows, cols = image.size # 圖片的寬度和高度 change_pos = [] # 記錄噪聲點位置 # 遍歷圖片中的每個點，除掉邊緣 for i in range(1, rows - 1): for j in range(1, cols - 1): # pixel_set用來記錄該店附近的黑色像素的數量 pixel_set = [] # 取該點的鄰域為以該點為中心的九宮格 for m in range(i - 1, i + 2): for n in range(j - 1, j + 2): if image.getpixel((m, n)) != 1: # 1為白色,0位黑色 pixel_set.append(image.getpixel((m, n))) # 如果該位置的九宮內的黑色數量小於等於4，則判斷為噪聲 if len(pixel_set) <= 4: change_pos.append((i, j)) # 對相應位置進行像素修改，將噪聲處的像素置為1（白色） for pos in change_pos: image.putpixel(pos, 1) return image # 返回修改后的圖片 # 識別圖片中的數字加字母 # 傳入參數為圖片路徑，返回結果為：識別結果 def OCR_lmj(img_path): image = Image.open(img_path) # 打開圖片文件 imgry = image.convert('L') # 轉化為灰度圖 # 獲取圖片中的出現次數最多的像素，即為該圖片的背景 max_pixel = get_threshold(imgry) # 將圖片進行二值化處理 table = get_bin_table(threshold=max_pixel) out = imgry.point(table, '1') # 去掉圖片中的噪聲（孤立點） out = cut_noise(out) # 保存圖片 # out.save('E://figures/img_gray.jpg') # 僅識別圖片中的數字 # text = pytesseract.image_to_string(out, config='digits') # 識別圖片中的數字和字母 text = pytesseract.image_to_string(out) # 去掉識別結果中的特殊字符 exclude_char_list = ' .:\\|\'\"?![],()~@#$%^&*_+-={};<>/¥' text = ''.join([x for x in text if x not in exclude_char_list]) # print(text) return text def main(): # 識別指定文件目錄下的圖片 # 圖片存放目錄figures dir = 'E://figures' correct_count = 0 # 圖片總數 total_count = 0 # 識別正確的圖片數量 # 遍歷figures下的png,jpg文件 for file in os.listdir(dir): if file.endswith('.png') or file.endswith('.jpg'): # print(file) image_path = '%s/%s' % (dir, file) # 圖片路徑 answer = file.split('.')[0] # 圖片名稱，即圖片中的正確文字 recognizition = OCR_lmj(image_path) # 圖片識別的文字結果 print((answer, recognizition)) if recognizition == answer: # 如果識別結果正確，則total_count加1 correct_count += 1 total_count += 1 print('Total count: %d, correct: %d.' % (total_count, correct_count)) ''' # 單張圖片識別 image_path = 'E://figures/code .jpg' OCR_lmj(image_path) ''' if __name__: main()
運行結果如下：
