本博客介绍了python 语言下tesseract的使用以及使用openCV对图片进行简单的预处理。

1. 安装pytesseract

首先安装Pillow，一个对python更加友好的PIL端口，pytesseract对其有依赖。

$ pip install pillow
$ pip install pytesseract

注意 : 在pytesseract的github项目, 可以发现 pytesseract 并不是一个真正的 python 绑定，只是一个tesseract.exe 的简单调用。

2. 使用openCV 预处理

以如下数字验证码为例：

首先直接使用 tesseract 识别

>tesseract test2.png stdout
Warning. Invalid resolution 0 dpi. Using 70 instead.
Detected 32 diacritics
" Tess茅ra鈥榗't Will
Fail With Noisy
Backgrounds

可以发现，识别效果并不理想。

观察验证码，彩色图像，噪点很多，采用如下措施预先处理：

from PIL import Image
import pytesseract
import cv2

img=cv2.imread('test1.png')
img_gray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
img_blur=cv2.medianBlur(img_gray,3)
ret,img_thresh=cv2.threshold(img_blur,100,255,cv2.THRESH_BINARY)
cv2.imshow('img_thresh',img_thresh)
cv2.waitKey()
cv2.destroyAllWindows()

预处理过后：

此时测试

>tesseract img_thresh.png stdout
Warning. Invalid resolution 0 dpi. Using 70 instead.
Tesseract Will
Fail With Noisy
Backgrounds

预处理效果显著，准确识别。

3. 使用pytesseract

pytesseract 主要通过image_to_string 函数进行识别，函数原型为：

 image_to_string(image, lang=none, boxes=false, config=none):
 # image,lang="language"，config="-psm PageMode"

注意 :参数image需要传入RGB协议打开的图片，Image.open()是以RGB协议打开的，而cv2.imread()是以BGR协议打开的。
这里一般有两种处理方法：

使用如下语句转换：

#o convert the color.
img = cv2.imread("path/to/img.png")
img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
im_pil = Image.fromarray(img)

使用opencv打开并处理之后再保存图片后，以Image.open()打开。

img=cv2.imread("path/to/img.png")
# After processed
cv2.imwrite(filename,pic)
img=Image.open("path/to/finename")

4. 一点经验

若要识别特定数字或者字母，可建立对应的字符白名单。

若待识别字母只有 “123abc”，我们可建立相应的白名单 letters

选择目录 /usr/share/tesseract-ocr/tessdata/configs，
建立空白文件 letters，添加 tessedit_char_whitelist 123abc
执行：> tesseract input_file_name stdout letters

此时会以letters里的字符去识别，大大提高识别准确率。
如果还要以pytesseract处理，可在pytesseract.py原码里的run_tesseract函数中语句做如下替换：
```
  if lang is not None:
      command += ('-l', lang)
  #替换为
    if lang is not None:
      command += (lang)

# 稍作观察原码，就能知道这么做的原因。
```
在python代码中，做如下调用即可：
text=pytesseract.image_to_string(img,lang="letters")

建立替换表，在实际应用中能发挥很大的作用。

如在应用中常常将“2”识别为”Z”,而原材料中又不会出现”Z”时，可将”Z”替换为”2”。
```
def text2string(img):
 rep={'Z':'2',
        'A':'8'}
text=image_to_string(img)
for c in rep:
    text=text.replace(c,rep[c])
return text
```

Reference

请多多指教！

Tesseract OCR with Python

pytesseract openCV

1. 安装pytesseract

2. 使用openCV 预处理

3. 使用pytesseract

4. 一点经验

Reference

CATALOG

FEATURED TAGS