python 圖片提取文字

tesseract-ocr 介紹

ocr含義是Optical Character Recognition，含義即視覺字符識別。而tesseract是該領域特別優秀開源的作品。

官方的tesseract定義：

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

即tesseract包括一個視覺字符識別引擎libtesseract和命令行程序tesseract。

當前最新穩定版本是4.x.x基於LSTM，源碼可從找到tesseract的GitHub: tesseract.找到。

 

 

 

關於tesseract的工作模式如上圖所示。假設現在有一個圖片輸入，整個執行流程為：

1. 輸入（一張圖片）
2. 有用信息提取（比如一個圖片上只有一個字，那其他留白的是無用，這個字上每個色素是有效的並且相關）
3. 找出文字/線條
4. 字符分類集
5. 輸入與分類集對比找出最接近的
6. 輸出識別結果

 2 安裝tesseract

第一步下載

下載合適的exe安裝文件：

網址：https://digi.bib.uni-mannheim.de/tesseract/，下載完成后后裝即可

可以安裝最新版本 5.0 的 

 

第二步環境變量配置

在path變量中加入tesseract-ocr的安裝路徑

 

 

 

第三步安裝成功檢測

使用tesseract指令，顯示如下：

 

3、使用命令行

1.tesseract + 圖片路徑 + 保存結果名 + -l 語言集

示列: tesseract 1606150081.png 1606150081 -l chi_sim

2.tesseract + 圖片路徑 +stdout -l +語言集

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圖片識別程序的開發啦，廢話不多說，直接上代碼。

4、現在只能識別英語 如果要中文需要引入

https://gitee.com/acgnhiki/tessdata_best

下載后將所有的文件復制到安裝路徑的 tessdata 中

也不要刪除掉原來tessdata中的數據

 

 

 

 

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