[AI测试]python文字图像识别tesseract

Python
269
0
0
2024-01-27
【AI测试】已落地-python文字图像识别PaddleOCR
上一篇
一文讲透机器学习超参数调优（附代码）
下一篇

[AI测试]python文字图像识别tesseract

七夕了，咱来学点知识！

github官网：https://github.com/tesseract-ocr/tesseract

python版本：https://github.com/madmaze/pytesseract

OCR，即Optical Character Recognition，光学字符识别，是指通过扫描字符，然后通过其形状将其翻译成电子文本的过程。对于图形验证码来说，它们都是一些不规则的字符，这些字符确实是由字符稍加扭曲变换得到的内容。

tesseract-OCR是一个开源的OCR引擎，能识别100多种语言，专门用于对图片文字进行识别，并获取文本。但是它的缺点是对手写的识别能力比较差。

Tesseract支持各种图像格式，包括PNG，JPEG和TIFF。

可以识别的语言列表：https://tesseract-ocr.github.io/tessdoc/Data-Files-in-different-versions.html

（这么多叉叉把我看迷了）

下载安装

第一步需要先安装Tesseract OCR引擎

第二步需要安装支持python的pytesseract库及其相关依赖

Tesseract OCR引擎下载

安装Tesseract OCR引擎：pytesseract依赖于Tesseract OCR引擎。

官方文档：https://tesseract-ocr.github.io/tessdoc/Installation.html

根据官方介绍我们需要知道：

  • 有两个部分需要安装，引擎本身和语言的训练数据。
  • 语言训练的数据包称为“tesseract-ocr-langcode”和“tesseract-ocr-script-scriptcode”，其中langcode 是三个字母的语言代码， scriptcode 是四个字母的脚本代码。
  • 例如：tesseract-ocr-eng（英语），tesseract-ocr-ara（阿拉伯语），tesseract-ocr-chi-sim（简体中文），tesseract-ocr-script-latn（拉丁字母），tesseract-ocr-script-deva（梵文）等。
  • 数据集下载地址：https://tesseract-ocr.github.io/tessdoc/Data-Files

Mac安装tesseract

1，安装有四种方式：

"安装tesseract， 同时安装训练工具"
brew install --with-training-tools tesseract 

"安装tesseract，同时它还会安装所有语言"
brew install --all-languages tesseract 

"安装附加组件"
brew install --all-languages --with-training-tools tesseract 

"安装tesseract，但是不安装训练工具,一般情况用这种方式就可以"
brew install tesseract

2，安装完tesseract后，进行测试:

tesseract -v

3、安装语言数据集

sudo port install tesseract-<langcode>

支持的语言：https://ports.macports.org/search/?q=tesseract-&name=on

Windows安装tesseract

1、下载tesseract安装包

tesseract安装包下载地址: https://digi.bib.uni-mannheim.de/tesseract/

注意区分32位和64位

我下载的是目前最新的，可以点击直接下载64位，https://digi.bib.uni-mannheim.de/tesseract/tesseract-ocr-w64-setup-5.3.1.20230401.exe

网速较慢的可以从我网盘下载

  • 链接：https://pan.baidu.com/s/1B5CyYZ5D5qwCXzZ9dnSGpQ?pwd=mwj6 提取码：mwj6

2、进行安装

  • （1）双击下载好的exe，建议右键以管理员身份运行

  • （2）点击next

  • （3）点击I Agree

  • （4）根据需要选择，第一个是为这台电脑所有用户下载，第二个是只为当前用户下载

  • （5）这里是配置语言包下载，可以点开Additional开头的这两个选项查看需要下载的语言，如果只想要中文那就找到Chinese下载就可以了。选好后再点击Next即可。

  • （6）选择你要安装的路径，注意如果不使用默认路径，后续代码会报FileNotFoundError:[WinError 2]系统找不到指定文件的错误，解决办法就是用tesseract.exe的绝对路径。这里我使用默认路径安装。

  • （7）点击Install

  • （8）安装完成后点击Next，再点击Finish


2、如果上面你下载语言库失败，你可以用如下官方链接自己下载对应语言库数据，都是几十兆

https://github.com/tesseract-ocr/tessdata_best
网速不好的用这个
链接：https://pan.baidu.com/s/11k5od_fd3_THN2YiGgmH3w?pwd=mwj6 
提取码：mwj6

3、配置环境变量

如果你用的是默认地址，C:\Program Files\Tesseract-OCR，把它加到环境变量中即可

我的电脑(此电脑) -> 右键点击属性 -> 高级系统设置 -> 环境变量 -> 系统环境变量找到Path点进去 -> 新建 -> 输入你的安装地址

# 默认安装地址则输入以下内容
C:\Program Files\Tesseract-OCR

4、验证是否安装成功

  • ctrl+R 输入cmd回车
  • 输入tesseract -v,显示出内容就证明成功，如果出现不是内部命令巴拉巴拉的，就说明环境变量没搞好，重新配一下

安装pytesseract

pip install pytesseract

其他相关依赖安装

pip install opencv-python
pip install pillow

代码demo

from PIL import Image
import pytesseract

im = Image.open('imgs\csdn_homepage.png')

# 识别文字，并指定语言
string = pytesseract.image_to_string(im, lang='chi_sim')
print(string)

对应识别的图片如下：

运行结果如下：

看到这识别出来的内容，我头顶上大写的无语，甚至想给电脑一拳！我都写了这么多内容了，你就这？？？

调整思路（无效）

查阅相关资料发现，预下载的中文包是比较小，准确率不高。

通过官网得知，tessdata_best下的语言包识别准确度是最高的，于是我就直接去下载了。

前文也有提到：https://github.com/tesseract-ocr/tessdata_best，网盘链接也在前面了。

把下载好的包解压，将里面的内容复制到C:\Program Files\Tesseract-OCR\tessdata目录下（先将该目录内容全部删干净）。

之后再去运行代码。

此处有十几句脏话.....

冷静下来，是我能力不足，是我不会训练模型，是我不应该只会捡现成用。

过了几分钟，脏话.......

模型训练

可以在网上自己搜资料，参考资料里面我也放了一篇。

模型训练搜索关键词：tesseract-ocr训练方法

我不折腾了，这就是没有根据需求调研好相关资料的下场，看到一个就去莽还莽失败了。

更改方案

大家一定要记住，研究新东西，先调研，再踏进去。

简单的github搜索：

经过多方面的考察，发现：

「Tesseract OCR」

  • 优点：支持补充训练
  • 缺点：中文识别巨差！巨差！（暴躁怒吼声）

「EasyOCR」

  • 优点：ocr识别还可以，优于一般开源模型
  • 缺点：识别速度很慢，不支持训练

「Paddle OCR」

  • 优点：可以补充训练，ocr识别效果好，执行速度快，文档齐全，资料多
  • 缺点：偶尔会出现部分内容丢失的情况

「CnOCR」

  • 优点:支持训练自己的模型,执行速度快，识别效果也不错
  • 缺点：训练比PaddleOCR麻烦,极少更新维护

已有代码

虽然失败了，但是相关代码还是放出来，给有需要的小伙伴使用。

只拿取文字(官方代码)

import cv2
import pytesseract
from PIL import Image

im = 'imgs\csdn_homepage.png'

img_cv = cv2.imread(im)
# By default OpenCV stores images in BGR format and since pytesseract assumes RGB format,
# we need to convert from BGR to RGB format/mode:
img_rgb = cv2.cvtColor(img_cv, cv2.COLOR_BGR2RGB)
print(pytesseract.image_to_string(img_rgb, lang='chi_sim'))
# OR
img_rgb = Image.frombytes('RGB', img_cv.shape[:2], img_cv, 'raw', 'BGR', 0, 0)
print(pytesseract.image_to_string(img_rgb, lang='chi_sim'))

(输出的内容很惨，还有大量文字丢失)

识别文字并返回对应坐标

# -*- coding: utf-8 -*-
'''
@Time : 2023/8/18 13:01
@Email : Lvan826199@163.com
@公众号 : 梦无矶的测试开发之路
@File : python文字识别.py
'''
__author__ = "梦无矶小仔"

import cv2
import pytesseract

# 设置语言数据
# 下面一行代码很重要
tessdata_dir_config = '--tessdata-dir "C:\Program Files\Tesseract-OCR\\tessdata"'

# 1、加载并预处理图像
image = cv2.imread('imgs\csdn_homepage.png')  # 替换为你的图像文件路径,注意文件名不能有中文
# 根据图像的复杂性，还可以在预处理步骤中使用额外的图像处理技术，如阈值化、去噪、边缘检测等，以提高准确度和结果。
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)  # cv2让图片黑白

# 2、执行文字识别和坐标提取 英语就是eng
results = pytesseract.image_to_data(gray, lang='chi_sim', config=tessdata_dir_config, output_type=pytesseract.Output.DICT)

text_coords = []

for i, text in enumerate(results['text']):
    if text.strip():
        x = results['left'][i]
        y = results['top'][i]
        width = results['width'][i]
        height = results['height'][i]
        text_coords.append({'text': text, 'x': x, 'y': y, 'width': width, 'height': height})

# 输出结果
for coord in text_coords:
    print(coord['text'], '-> 坐标：[', coord['x'], ",", coord['y'], "]，  ", "宽高：[", coord['width'], coord['height'], "]")

输出样式：

相关参考资料

# 官方文档
https://tesseract-ocr.github.io/tessdoc/
# 里面提到了艺术字的识别
https://www.jianshu.com/p/3326c7216696
# 简单的安装教程
https://zhuanlan.zhihu.com/p/186225362
# 比较详细的安装教程及pytesseract基本使用
https://zhuanlan.zhihu.com/p/341306710
# mac安装pytesseract
https://blog.csdn.net/wodedipang_/article/details/84585914
# 模型训练
https://www.cnblogs.com/cnlian/p/5765871.html
# OCR调研报告
https://blog.csdn.net/weixin_41021342/article/details/127203654

下一篇更新PaddleOCR，祝我成功！

【AI测试】已落地-python文字图像识别PaddleOCR
上一篇
一文讲透机器学习超参数调优（附代码）
下一篇