使用Tesseract做文字识别（OCR）-技术圈

前言

OCR（optical character recognition，光学字符识别）是指直接将包含文本的图像识别为计算机文字（计算机黑白点阵）的技术。图像中的文本一般为印刷体文本。

Tesseract是github上的OCR开源库，今天我将使用Tesseract来进行文字识别。

安装Tesseract

安装Tesseract挺简单的，直接按照官网上安装方法安装即可。安装完记得配一下环境变量。

Tesseract官网

我是在Win10下安装的，打开命令行，输入tesseract -v查看Tesseract版本号，输出以下信息表示安装成功：

用Tesseract做文字识别

现在我使用Tesseract来识别下面图片中的字符：

命令行运行：（指定简体中文）

 tesseract 5.png stdout -l chi_sim

输出如下：

可以看到，Tesseract很好的识别了图片中的文字。

上面的测试用例背景十分干净，对比明显，Tesseract识别得很好，但是现实中的图片可能没有这么好的条件，直接识别可能会出错，往往要先进行图像处理，然后将处理后的图片送入Tesseract文字识别。

Python中使用Tesseract

Python安装Tesseract接口：

pip install pillow
pip install pytesseract

注意：Python只是提够了调用Tesseract的接口，方便我们在Python程序中使用Tesseract，实际运行的还是前面安装的Tesseract库。

使用以下代码测试：

# USAGE
# python ocr.py --image images/example_01.png 
# python ocr.py --image images/example_02.png  --preprocess blur

# import the necessary packages
from PIL import Image
import pytesseract
import argparse
import cv2
import os

# construct the argument parse and parse the arguments
ap = argparse.ArgumentParser()
ap.add_argument("-i", "--image", required=True,
	help="path to input image to be OCR'd")
ap.add_argument("-p", "--preprocess", type=str, default="thresh",
	help="type of preprocessing to be done")
args = vars(ap.parse_args())

# load the example image and convert it to grayscale
image = cv2.imread(args["image"])
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

cv2.imshow("Image", gray)

# check to see if we should apply thresholding to preprocess the
# image
if args["preprocess"] == "thresh":
	gray = cv2.threshold(gray, 0, 255,
		cv2.THRESH_BINARY | cv2.THRESH_OTSU)[1]

# make a check to see if median blurring should be done to remove
# noise
elif args["preprocess"] == "blur":
	gray = cv2.medianBlur(gray, 3)

# write the grayscale image to disk as a temporary file so we can
# apply OCR to it
filename = "{}.png".format(os.getpid())
cv2.imwrite(filename, gray)

# load the image as a PIL/Pillow image, apply OCR, and then delete
# the temporary file
text = pytesseract.image_to_string(Image.open(filename))
os.remove(filename)
print(text)

# show the output images
# cv2.imshow("Image", image)
cv2.imshow("Output", gray)
cv2.waitKey(0)

上面的Python脚本对输入图像先进行了简单的图像处理，比如模糊和二值化。然后将处理后的图片使用tesseract进行文字识别。

测试图片1为：

命令行运行：

python ocr.py --image images/example_01.png

经过阈值分割后的图像如下，可以看到把背景阴影很好的去掉了：

命令行输出如下，正确的识别了结果。

总结

直接使用tesseract识别图片文字容易出错，一般先对图片做图像处理后再使用tesseract识别文字。