OCR與Tesseract介紹

  將圖片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製。
  Tesseract 是一個OCR 庫，目前由Google 贊助（Google 也是一家以OCR 和機器學習技術聞名於世的公司）。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型（只要這些字型的風格保持不變就可以），也可以識別出任何Unicode 字元。

Tesseract的安裝與使用

  Tesseract的Windows安裝包下載地址為： http://digi.bib.uni-mannheim.de/tesseract/tesseract-ocr-setup-4.00.00dev.exe ，下載後雙擊直接安裝即可。安裝完後，需要將Tesseract新增到系統變數中。在CMD中輸入tesseract -v, 如顯示以下介面，則表示Tesseract安裝完成且新增到系統變數中。

  Linux 使用者可以通過apt-get 安裝：

$sudo apt-get tesseract-ocr

  用Tesseract可以識別格式規範的文字，主要具有以下特點：

• 使用一個標準字型（不包含手寫體、草書，或者十分“花哨的”字型）
• 雖然被複印或拍照，字型還是很清晰，沒有多餘的痕跡或汙點
• 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
  下面將給出幾個tesseract識別圖片中文字的例子。
  首先是E://figures/other/poems.jpg, 輸入命令 tesseract E://figures/other/poems.jpg E://figures/other/poems.txt， 則會將poems.jpg中的識別文字寫入到poems.txt中，如下圖：



  接著是稍微有點傾斜的文字圖片th.jpg,識別情況如下：

tesseract E://figures/other/timg.jpg E://figures/other/timg.txt -l chi_sim

識別結果如下：

只識別錯了一個字，識別率還是不錯的。
  最後加一句，Tesseract對於彩色圖片的識別效果沒有黑白圖片的效果好。

pytesseract

  pytesseract是Tesseract關於Python的介面，可以使用pip install pytesseract安裝。安裝完後，就可以使用Python呼叫Tesseract了，不過，你還需要一個Python的圖片處理模組，可以安裝pillow.
  輸入以下程式碼，可以實現同上述Tesseract命令一樣的效果：

import pytesseract
from PIL import Image

pytesseract.pytesseract.tesseract_cmd = 'C://Program Files (x86)/Tesseract-OCR/tesseract.exe'
text = pytesseract.image_to_string(Image.open('E://figures/other/poems.jpg'))

print(text)

執行結果如下：

參考文獻

注意：本人現已開通兩個微信公眾號： 因為Python（微訊號為：python_math）以及輕鬆學會Python爬蟲（微訊號為：easy_web_scrape）， 歡迎大家關注哦~~