Tesseract-文字识别工具

0. 背景

最近在准备一个爬虫项目,准备阶段了解到一个文字识别工具,用在验证码方面很方便。 现在主力开发机是mac,本文流程都是基于mac。

1 安装

//安装tesseract的同时安装训练工具
brew install --with-training-tools tesseract

//安装tesseract的同时安装所有语言,语言包比较大,如果安装的话时间较长,建议不安装,按需选择
brew install  --all-languages tesseract

//安装tesseract,并安装训练工具和语言
brew install --all-languages --with-training-tools tesseract 

//只安装tesseract,不安装训练工具
brew install tesseract

2. 语言库

作为文字识别工具,需要安装识别的语言库。 下载需要的语言之后,放到/usr/local/Cellar/tesseract/3.05.01/share/tessdata路径下。 常用的如下:

库名

语言

chi_sim.traineddata

中文

chi_sim_vert.traineddata

中文精简集

eng.traineddata

英文

3.Tesseract的使用

  • 帮助文档
~:Tesseract pengjunzhe$ tesseract help
Usage:
  tesseract --help | --help-psm | --help-oem | --version
  tesseract --list-langs [--tessdata-dir PATH]
  tesseract --print-parameters [options...] [configfile...]
  tesseract imagename|stdin outputbase|stdout [options...] [configfile...]

OCR options:
  --tessdata-dir PATH   Specify the location of tessdata path.
  --user-words PATH     Specify the location of user words file.
  --user-patterns PATH  Specify the location of user patterns file.
  -l LANG[+LANG]        Specify language(s) used for OCR.
  -c VAR=VALUE          Set value for config variables.
                        Multiple -c arguments are allowed.
  --psm NUM             Specify page segmentation mode.
  --oem NUM             Specify OCR Engine mode.
NOTE: These options must occur before any configfile.

Page segmentation modes:
  0    Orientation and script detection (OSD) only.
  1    Automatic page segmentation with OSD.
  2    Automatic page segmentation, but no OSD, or OCR.
  3    Fully automatic page segmentation, but no OSD. (Default)
  4    Assume a single column of text of variable sizes.
  5    Assume a single uniform block of vertically aligned text.
  6    Assume a single uniform block of text.
  7    Treat the image as a single text line.
  8    Treat the image as a single word.
  9    Treat the image as a single word in a circle.
 10    Treat the image as a single character.
 11    Sparse text. Find as much text as possible in no particular order.
 12    Sparse text with OSD.
 13    Raw line. Treat the image as a single text line,
            bypassing hacks that are Tesseract-specific.
OCR Engine modes:
  0    Original Tesseract only.
  1    Cube only.
  2    Tesseract + cube.
  3    Default, based on what is available.

Single options:
  -h, --help            Show this help message.
  --help-psm            Show page segmentation modes.
  --help-oem            Show OCR Engine modes.
  -v, --version         Show version information.
  --list-langs          List available languages for tesseract engine.
  --print-parameters    Print tesseract parameters to stdout.
  • 默认使用
# 默认使用eng(英文)文字库,imgName是图片地址,result是识别结果
tesseract imgName result
  • 指定语言
//指定使用简体中文
tesseract -l chi_sim imgName result

//查看本地存在的语言库
tesseract --list-langs
  • psm参数(page segmentation modes) help文档中的介绍如下
Page segmentation modes:
  0    Orientation and script detection (OSD) only.
  1    Automatic page segmentation with OSD.
  2    Automatic page segmentation, but no OSD, or OCR.
  3    Fully automatic page segmentation, but no OSD. (Default)
  4    Assume a single column of text of variable sizes.
  5    Assume a single uniform block of vertically aligned text.
  6    Assume a single uniform block of text.
  7    Treat the image as a single text line.
  8    Treat the image as a single word.
  9    Treat the image as a single word in a circle.
 10    Treat the image as a single character.

解释:

0 - 仅做定位和脚本检测(OSD)
1 - 使用OSD自动分页
2 - 自动分页,但是不使用OSD或者OCR
3 - 全自动分页,没使用OSD
4 - 假定是一列可变大小文本
5 - 假定是一块垂直对齐的文本
6 - 假定是一块统一的格式的文本
7 - 视图像为一行文本
8 - 视图像为一个单词
9 - 使图像为环形排布的单词
10 - 视图像为单个字符

4. 字符训练

字符训练是一个很重要,也很复杂的话题。以后深入学习了单开话题进行补充。

5. Python库

安装好tesseract之后就可以在Python中通过库文件很方便的把这个功能做到程序中了。

  1. pip install pytesseract不多说。
  2. 简单的源码:
# -*-encoding:utf-8-*-
import pytesseract
from PIL import Image


def main():
    # 打开图片
    image0 = Image.open("./img/0.jpg")
    image1 = Image.open("./img/1.jpg")
    # 使用默认字符集(英文)识别图片
    text0 = pytesseract.image_to_string(image0)
    # 使用默认字符集(中文)识别图片
    text1 = pytesseract.image_to_string(image1, lang='chi_sim')
    # 输出
    print(text0)
    print(text1)


if __name__ == '__main__':
    main()
  1. 结果
  • 英文原图:

831524628903_.pic.jpg

  • 识别结果: Hello worldl
  • 中文原图:

891524629631_.pic.jpg

  • 识别结果: 2018年清明节工作 日历女口下图二

可见,英文识别还可以,中文适应度不是很高。对于左右结构的字识别能力较差。

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

扫码关注云+社区

领取腾讯云代金券