Tesseract OCR 圖檔文字識别

Tesseract 介紹

Tesseract是一個開源的文本識别引擎，支援多種語言。4.0.0版本增加了LSTM神經網絡。Tesseract最初是由惠普公司研發，2005年開源。

Tesseract安裝

下載下傳Tesseract的安裝包，位址

安裝過程：

1. 選擇常用的數學公式包，其他的語言包可以先不勾選，後續需要時再下載下傳。如果勾選了安裝過程可能極慢甚至中斷。

1. 設定環境變量

   設定

   TESSDATA_PREFIX

   環境變量到tesseract的data目錄。

   

選擇語言包：

使用Tesseract進行文本識别時，需要下載下傳相應的語言包，如本文需要對中文進行識别在data下載下傳

chi_sim.traineddata

放到

TESSDATA_PREFIX

目錄下。

Tesseract中文識别

Tesseract沒有提供圖形界面，隻能通過指令行或者程式設計語言來調用。

需要注意的是，在使用Tessearct對中文進行識别的時候需要指定使用的語言模型，否則會識别失敗出現一堆亂碼。

1. 指令行調用Tesseract

   tesseract 1.png result -l chi_sim   # -l 參數指定語言模型
              

2. python調用Tessearct

   使用python調用Tessearct需要首先安裝兩個python lib

   pip install pillow
   pip install pytesseract
              

   使用python調用Tessearct進行圖檔中文識别

   # coding = utf-8
   from PIL import Image
   import pytesseract
   image = Image.open("1.png")
   # 這裡lang='chi_sim'參數很重要，意思是對中文進行識别，如果加這個參數預設應該是英文的，中文識别出來的是亂碼
   text = pytesseract.image_to_string(image, lang='chi_sim')
   print(text)
   
   '''
   類似于
   919@400 ROK
   1X
   < Aah @ Fix
   arta
   ExT, 2%
   Med Ea
   BAAR ALFRE RIE tS
   | Be Be
   cai | = LRT +R
   '''
              

Reference

Python:文本識别抛棄pytesser，直接使用Tesseract - Penguin (polarxiong.com)

tesseract官方文檔：Tesseract User Manual | tessdoc (tesseract-ocr.github.io)