Python+Tesseract-OCR在图像字符识别中的应用
win10+python 3.7.7
1 准备软件和对应版本的字库
我是从这里https://digi.bib.uni-mannheim.de/tesseract/下载的tesseract-ocr-w64-setup-v4.0.0.20181030.exe将然后从https://github.com/tesseract-ocr/tessdata/blob/master/chi_sim.traineddata下载中文字库
据说还要https://github.com/tesseract-ocr/tessdata/blob/master/chi_sim_vert.traineddata和https://github.com/tesseract-ocr/tessdata/blob/master/eng.traineddata
这一并下载齐了。
如果下载不了，还是不要继续了。
2 安装tesseract-ocr-w64
我安装到了D:\Tesseract-OCR目录下
3 设置“环境变量”
按win+s快捷键，输入“环境变量”，打开控制面板选项中的“编辑系统环境变量”，点高级选项卡下的“环境变量” ， 双击XX的用户变量下面的Path，然后新建，填写”D:\Tesseract-OCR“，按三次确定后退出。
打开一个cmd窗口，输入 tesseract -v 查看。
4 将下载好的字库放到Tesseract-OCR项目的tessdata文件夹里面。
即，将第一步中的chi_sim.traineddata复制到D:\Tesseract-OCR\tessdata目录下
5 识别
准备一张带有中文的图片，打开CMD窗口，执行命令 tesseract 图片名称 生成的结果文件的名称 字库
如：我是用 win键+SHIFT键+S 截图保存为test.png,然后打在cmd定位于图片目录下，执行：
tesseract test.png result -l chi_sim
可在图片目录下找到result.txt，看一下内容，识别率还很高。
（据说有时需增加TESSDATA_PREFIX环境变量来指定tessdata 位置，但我测试时不需要。）
如果只有一行文本，可以：
tesseract test2.png result -l chi_sim --psm 7
-psm 7 表示告诉tesseract 图片是一行文本， 这个参数可以减少识别错误率. 默认为 3
6、代码
import subprocess # 识别软件路径 图片路径 识别结果 p = subprocess.Popen( [r"D:\Python\Tesseract-OCR\tesseract.exe", r"E:\PythonCode\SpiderBaidu\tesseract图片识别\test2.png", "result", "-l", "testlang"], stdout=subprocess.PIPE, stderr=subprocess.PIPE) p.wait() result = open(r"result.txt", "r", encoding='utf-8') print(result.read())
7、训练字库
不想搞了，看原文吧https://www.jianshu.com/p/3326c7216696
tesseract --help | --help-extra （命令行下运行tesseract --print-parameters 之后打印出来的所有参数）
pytesseract psm 选项参数
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.
参考：
https://www.jianshu.com/p/3326c7216696
https://www.pythonf.cn/read/83901
https://www.cnblogs.com/wangkevin5626/p/9640165.html
https://blog.csdn.net/huitailangyz/article/details/80390090
