機器視覺

從Google的無人駕駛汽車到可以識別假鈔的自動售賣機，機器視覺一直都是一個應用廣泛且具有深遠的影響和雄偉的願景的領域。

這裏我們將重點介紹機器視覺的一個分支：文字識別。介紹如何用一些Python庫來識別和使用在線圖片中的文字。

我們可以很輕松的閱讀圖片裏的文字，但是機器閱讀這些圖片就會非常困難，利用這種人類用戶可以正常讀取但是大多數存貯器沒法讀取的圖片，這時驗證碼（CAPTCHA）就出現了。驗證碼讀取的難易程序也大不相同。

將圖像翻譯成文字一般被稱為光學文字識別（Optical Character Recognition，OCR）。可以實現OCR的底層庫並不多，目前很多庫都是使用共同的幾個底層OCR庫，或者是在上面進行定制。

OCR庫概述

在讀取和處理圖像、圖像相差的機器學習以及創建圖像等任務中，Python一直都是非常出色的語言。雖然有很多庫可以進行圖像處理，但是這裏我們只介紹Tesseract庫。

Tesseract

Tesseract是一個OCR庫，目前由Google贊助。Tesseract是目前公認最優秀、最精確的開源OCR系統。除了極高的精確度，Tesseract也具有很高的靈活性。它可以通過訓練識別出任何字體，也可以識別出任何Unicode字符。

安裝Tesseract：Windows系統

　　下載可執行安裝文件安裝即可。

安裝pytesseract

Tesseract是一個Python的命令行工具，不是通過import語句導入的庫。安裝之後，要用tesseract命令在Python的外面運行，但我們可以通過pip安裝支持Python版本的Tesseract庫：

　　pip install pytesseract

處理規範的文字

你要處理的大多數文字都是比較幹凈、格式規範的。格式霍英東的文字通常具有以下特點：

• 使用統一的標準字體（不包含手寫體、草書或者十分“花哨”的字體），復印或者拍照但是字體清晰、沒有多余的痕跡或者汙點
• 排列整齊，沒有歪歪斜斜的字
• 沒有超出圖片範圍，也沒有殘缺不全，或緊緊貼在圖片的邊緣

文字的一些格式問題在圖片預處理時可以進行解決。例如，可以把圖片轉換成灰度圖，調整亮度和對比度，還可以根據需要進行裁剪和旋轉，在這裏不作介紹。

示例：

英文：

F:\DE209_F>tesseract english.jpg text
Tesseract Open Source OCR Engine v4.00.00alpha with Leptonica

F:\DE209_F>type text.txt
This is some text, written in Arial, that will be read by
Tesseract. Here are some symbols: !@#$%"&*()

識別結果的準確率還是挺高的。

通過Python代碼實現

英文：

中文：

#!/usr/bin/python3
# -*- conding:utf-8 -*-
__author__ = ‘mayi‘

import pytesseract
from PIL import Image

# 打開圖像：英文
image = Image.open(‘english.jpg‘)

# OCR識別：lang默認英文
text = pytesseract.image_to_string(image)

# 打印識別後的文本
print(text)

# 我是分割線
print("*" * 30)

# 打開圖像：英文
image = Image.open(‘china.png‘)

# OCR識別：lang指定中文
text = pytesseract.image_to_string(image, lang = ‘chi_sim‘)

# 打印識別後的文本
print(text)

運行結果

This is some text, written in Arial, that will be read by
Tesseract. Here are some symbols: !@#$%"&*()
******************************
中 華 人 民 共 和 國

爬蟲——文字識別