Tesseract OCR 圖片文字識別

Tesseract 介紹

Tesseract是一個開源的文本識別引擎，支持多種語言。4.0.0版本增加了LSTM神經網絡。Tesseract最初是由惠普公司研發，2005年開源。

Tesseract安裝

下載Tesseract的安裝包，地址

安裝過程：

1. 選擇常用的數學公式包，其他的語言包可以先不勾選，后續需要時再下載。如果勾選了安裝過程可能極慢甚至中斷。

2. 設置環境變量

   設置TESSDATA_PREFIX環境變量到tesseract的data目錄。

   

選擇語言包：

使用Tesseract進行文本識別時，需要下載相應的語言包，如本文需要對中文進行識別在data下載chi_sim.traineddata放到TESSDATA_PREFIX目錄下。

Tesseract中文識別

Tesseract沒有提供圖形界面，只能通過命令行或者編程語言來調用。

需要注意的是，在使用Tessearct對中文進行識別的時候需要指定使用的語言模型，否則會識別失敗出現一堆亂碼。

1. 命令行調用Tesseract

   tesseract 1.png result -l chi_sim   # -l 參數指定語言模型
   

2. python調用Tessearct

   使用python調用Tessearct需要首先安裝兩個python lib

   pip install pillow
   pip install pytesseract
   

   使用python調用Tessearct進行圖片中文識別

   # coding = utf-8
   from PIL import Image
   import pytesseract
   image = Image.open("1.png")
   # 這里lang='chi_sim'參數很重要，意思是對中文進行識別，如果加這個參數默認應該是英文的，中文識別出來的是亂碼
   text = pytesseract.image_to_string(image, lang='chi_sim')
   print(text)
   
   '''
   類似於
   919@400 ROK
   1X
   < Aah @ Fix
   arta
   ExT, 2%
   Med Ea
   BAAR ALFRE RIE tS
   | Be Be
   cai | = LRT +R
   '''
   

Reference

Python:文本識別拋棄pytesser，直接使用Tesseract - Penguin (polarxiong.com)

tesseract官方文檔：Tesseract User Manual | tessdoc (tesseract-ocr.github.io)