python用tesseract-ocr做图像识别

浅谈Tesseract-OCR：

• 光学字符识别(OCR,Optical Character Recognition)是指对文本资料进行扫描，然后对图像文件进行分析处理，获取文字及版面信息的过程。OCR技术非常专业，一般多是印刷、打印行业的从业人员使用，可以快速的将纸质资料转换为电子资料。关于中文OCR，目前国内水平较高的有清华文通、汉王、尚书，其产品各有千秋，价格不菲。国外OCR发展较早，像一些大公司，如IBM、微软、HP等，即使没有推出单独的OCR产品，但是他们的研发团队早已掌握核心技术，将OCR功能植入了自身的软件系统。对于我们程序员来说，一般用不到那么高级的，主要在开发中能够集成基本的OCR功能就可以了。
• Tesseract的OCR引擎最先由HP实验室于1985年开始研发，至1995年时已经成为OCR业内最准确的三款识别引擎之一。然而，HP不久便决定放弃OCR业务，Tesseract也从此尘封。数年以后，HP意识到，与其将Tesseract束之高阁，不如贡献给开源软件业，让其重焕新生－－2005年，Tesseract由美国内华达州信息技术研究所获得，并求诸于Google对Tesseract进行改进、消除Bug、优化工作。Tesseract目前已作为开源项目发布，其项目主页https://github.com/tesseract-ocr/在这里查看，Tesseract是一款支持unicode的OCR引擎，可以识别超过100种语言。它可以被训练识别其他语言。Google将Tesseract用于移动设备，视频和Gmail图像垃圾邮件检测中的文本检测。

一、准备

• Python库：pytesseract和PIL （PyTesser是Python的光学字符识别模块。它将图像或图像文件作为输入并输出一个字符串。PyTesser使用Tesseract OCR引擎，将图像转换为可接受的格式，并将Tesseract可执行文件作为外部脚本调用）

• 安装识别引擎tesseract-ocr 下载地址https://github.com/tesseract-ocr/tesseract/wiki/Downloads

• 数据包下载 ： https://github.com/tesseract-ocr/tesseract/wiki/Data-Files tesseract-ocr自带了一些英文的数据包，如果要其他的测试数据需要下载,或者自己训练

我把tesseract-ocr-setup-4.00.00dev.exe和chi_sim.traineddata上传到了csdn，如果不想从GitHub下载也可以从这里下载https://download.csdn.net/download/baidu_19473529/10293968

二、安装

• 注意安装PIL用pip install PIL可能会报错，是因为名字改了用

pip install Pillow

• 安装pytesseract

pip install pytesseract

• 安装tesseract-ocr我 的是windows的下载的是最新4.0的

  

安装这个就很简单了，省略…..，然后配置一下环境变量，命令试一下这就可以了。

如果不配置环境就要到Python35\Lib\site-packages\pytesseract\pytesseract.py这个文件里改下代码

tesseract_cmd = 'tesseract'
把这个后面的值改成tesseract.exe的那个安装地址

三、运行程序

图片：

代码： ImageConvertText.py

# -*- coding: utf-8 -*-

from PIL import Image
import pytesseract


print("-----------------------------------------------------------------------------------------------")
text=pytesseract.image_to_string(Image.open('C:/Users/Administrator/Desktop/eng.png'),lang='chi_sim') #chi_sim是一个解析中文简体的数据包,需要自己下载
print(text);

结果：

• 这就是大致的使用流程，当然解析结果还是有些差强人意，这个一般多训练，然后给它矫正，是可以提高正确率的。