OCR--基于Tesseract详细教程（python）

见贤思齐

目录1.介绍2.准备工作2.1安装Tesseract2.2安装pytesseract3. Tesseract的基础应用 3.1翻译图像文字——image_to_string 3.2获取单个字符的外框——image_to_boxes 3.3 输出区域、置信度文字内容以及其他——image_to_data3.4设定配置实现过滤功能 3.4.1 OEM3.4.2 EM3.4.3示例：只检测数字1.介绍        Tesseract的开发始于2006年，由惠普公司的MikeJ.Bradbury带领团队进行。当时，他们希望开发一款能够识别印刷体和手写体的OCR（OpticalCharacterRecognition，光学字符识别）引擎。2009年，Tesseract被移植到C++，并成为Google的开源项目。随着时间的推移，Tesseract逐渐成为最受欢迎的OCR引擎之一，被广泛应用于各种场景。它可以将图像中的文字提取出来，并将其转化为机器可读的文本。Tesseract不仅支持多种语言，还可以进行多种格式的图像处理，包括常见的PDF、JPG、PNG等。2.准备工作2.1安装TesseractTesseract下载地址为：TesseractUserManual|tessdocTesseractdocumentationhttps://tesseract-ocr.github.io/tessdoc/↓↓↓  按照如下步骤进行安装  勾选下面的选项下载一些语言包，可以翻译中文和一些其他语言 下载不成功的朋友可以点击下面的链接进行下载https://github.com/tesseract-ocr/tessdatahttps://github.com/tesseract-ocr/tessdata选择下载路径 点击Finish下载完毕 2.2安装pytesseract执行命令安装pytesseract库pipinstallpytesseract3. Tesseract的基础应用如果你想先了解一下pytesseract都有什么功能的话可以先Ctrl+鼠标左键点进去大致浏览一下这里Franpper帮大家把pytesseract的功能先列出来下面正式开始首先进行一些基础操作：导入相关包、设置TesseractOCR引擎的路径、加载图片等#导入一些需要的包importcv2importpytesseract#设置TesseractOCR引擎路径pytesseract.pytesseract.tesseract_cmd=r'D:\ProgramFiles\Tesseract-OCR\tesseract.exe'#加载一张图片img=cv2.imread(r'E:\csdn\tesseract\Snipaste.jpg') 下面是Franpper读入的图片（就是本文的简介） 3.1翻译图像文字——image_to_stringtext=pytesseract.image_to_string(img,lang="chi_sim")#指定语言print(text)输出如下（其实看结果翻译的情况并不好）： 3.2获取单个字符的外框——image_to_boxesboxes=pytesseract.image_to_boxes(img,lang="chi_sim")#使用image_h,image_w,_=img.shapedefcv2ImgAddText(img,text,left,top,textColor=(0,255,0),textSize=20):""":paramimg:图像:paramtext:文字内容:paramleft:字体左边开始位置:paramtop:字体上面开始位置:paramtextColor:字体颜色:paramtextSize:字体大小:return:绘制后的图片"""importnumpyasnpfromPILimportImage,ImageDraw,ImageFontifisinstance(img,np.ndarray):#判断是否OpenCV图片类型img=Image.fromarray(cv2.cvtColor(img,cv2.COLOR_BGR2RGB))#创建一个可以在给定图像上绘图的对象draw=ImageDraw.Draw(img)#字体的格式fontStyle=ImageFont.truetype("STSONG.TTF",textSize,encoding="utf-8")#绘制文本draw.text((left,top),text,textColor,font=fontStyle)#转换回OpenCV格式returncv2.cvtColor(np.asarray(img),cv2.COLOR_RGB2BGR)forboxinboxes.splitlines():box=box.split('')print(box)"""opencv中坐标系是基于左上点的但是tesseract检测出的框是基于左下点的输出的数据分别是：字符,左下角横坐标,左下角纵坐标,右上角横坐标,右上角纵坐标（均是基于左下点原点）所以在绘制的时候要进行坐标转换"""x1,y1,x2,y2=int(box[1]),int(box[2]),int(box[3]),int(box[4])cv2.rectangle(img,(x1,image_h-y1),(x2,image_h-y2),(0,255,0),1)#cv2.putText函数无法添加中文字符，所以使用PIL库(RGB)添加中文字符后转为opencv格式(BGR)img=cv2ImgAddText(img,box[0],x1,image_h-y1-30,(255,0,0),15)cv2.imshow("img",img)cv2.waitKey(0)输出如下，可以获取单个文字外框的左下角横坐标、左下角纵坐标、右上角横坐标、右上角纵坐标（基于左下点原点坐标系） 3.3 输出区域、置信度文字内容以及其他——image_to_datadata=pytesseract.image_to_data(img,output_type=pytesseract.Output.STRING,lang="chi_sim")forlevel,inforinenumerate(data.splitlines()):iflevel!=0:infor=infor.split()#每一行的输出为：level、page_num、block_num、par_num、line_num、word_num、left、top、width、height、conf、textprint(infor)iflen(infor)==12:x,y,w,h=int(infor[6]),int(infor[7]),int(infor[8]),int(infor[9])#这里的坐标邮与opencv相同了，即左上加宽高cv2.rectangle(img,(x,y),(x+w,y+h),(0,255,0),1)img=cv2ImgAddText(img,infor[11],x,y-20,(255,0,0),15)cv2.imshow("img",img)cv2.waitKey(0)执行结果如下：可以看到把一些字母合并成单词整体进行输出了 3.4设定配置实现过滤功能 在编辑配置时有两个重要的参数，分别是OEM与PSM，下面Franpper给大家介绍一下3.4.1 OEM即OCR EngineMode(引擎模式)，共有四种，如下图：0—Legacyengineonly1—NeuralnetsLSTMengineonly2—Legacy+LSTMengines3—Default,basedonwhatisavailable3.4.2 EM即PageSegmentationMode(图片分割模式)，共有13种，如下图：0—Orientationandscriptdetection(OSD)only.方向及语言检测（Orientationandscriptdetection，OSD)1—AutomaticpagesegmentationwithOSD.自动图片分割2—Automaticpagesegmentation,butnoOSD,orOCR.自动图片分割，没有OSD和OCR3—Fullyautomaticpagesegmentation,butnoOSD.(Default)完全的自动图片分割，没有OSD4—Assumeasinglecolumnoftextofvariablesizes.假设有一列不同大小的文本5—Assumeasingleuniformblockofverticallyalignedtext.假设有一个垂直对齐的文本块6—Assumeasingleuniformblockoftext.假设有一个对齐的文本块7—Treattheimageasasingletextline.图片为单行文本8—Treattheimageasasingleword.图片为单词9—Treattheimageasasinglewordinacircle.图片为圆形的单词10—Treattheimageasasinglecharacter.图片为单个字符11—Sparsetext.Findasmuchtextaspossibleinnoparticularorder.稀疏文本。查找尽可能多的文本，没有特定的顺序12—SparsetextwithOSD.OSD稀疏文本13—Rawline.Treattheimageasasingletextline,bypassinghacksthatareTesseract-specific.原始行。将图像视为单个文本行3.4.3示例：只检测数字config=r'--oem3--psm6outputbasedigits'#添加配置data=pytesseract.image_to_data(img,output_type=pytesseract.Output.STRING,lang="chi_sim",config=config)forlevel,inforinenumerate(data.splitlines()):iflevel!=0:infor=infor.split()#每一行的输出为：level、page_num、block_num、par_num、line_num、word_num、left、top、width、height、conf、textprint(infor)iflen(infor)==12:x,y,w,h=int(infor[6]),int(infor[7]),int(infor[8]),int(infor[9])#这里的坐标邮与opencv相同了，即左上加宽高cv2.rectangle(img,(x,y),(x+w,y+h),(0,255,0),1)img=cv2ImgAddText(img,infor[11],x,y-20,(255,0,0),15)cv2.imshow("img",img)cv2.waitKey(0)运行结果如下，可以看到只有数字被提取了出来 4.结语        Tesseract不仅仅是一个OCR工具，它代表了人工智能和机器学习在文本识别领域的突破性技术。它不仅为我们提供了从图像中提取文字的强大能力，而且通过持续的研发和优化，Tesseract的能力还将进一步提升。然而，Tesseract并非万能的。虽然它对于一些常规的文本识别任务有着出色的表现，但在处理一些复杂或特定的任务时，我们可能还需要进行更多的预处理或者后处理工作。尽管如此，Tesseract仍然是一个非常强大且灵活的工具，值得我们深入学习和探索。