使用Pytesseract进行光学字符识别-600学习网

600学习网终身会员188，所有资源无秘无压缩-购买会员

总结

在本文中，我们将使用计算机视觉技术从图像中提取文本。提取文本后，我们将把OpenCV的一些基本功能应用到文本中，以增强文本并获得更准确的结果。这个项目将非常有用，因为它可以节省图像输入的时间和精力。

范围

·这个应用程序可以为从图像中获取文本的大型组织节省时间。

·它打开了”无纸文档”的世界，这也有助于升级存储。

·它还可以帮助自动化过程，因为它可以从图像本身提取文本。

我们将导入请求库以获取git文件和图像的URL。

＃导入请求以安装tesseract

导入请求

注意：要立即下载tesseract文件，只需转到我将在函数中作为参数提供的链接，但我只提供另一种下载tesserct文件的方法。

＃下载tesseract－ocr文件

R=请求。获取(“https://raw.githusercontent。com/tesseract－ocr/tessdata/4.00/ind。trainedata”，stream=True)将数据写入文件以避免路径问题

打开(“ind.traineddata”，”wb”)作为文件：

对于r.iter _内容中的块(块_大小＝1024)：

如果块：

file.write(块)

现在，我们将下载运行Python eract库所需的testseract，并将文件保存在open()函数的路径中。

！ pip安装pytesseract

如果你想在笔记本上安装它，这个命令将安装Python模块

已满足要求：c:programdataanaconda3libsite－packages中的pytesseract(0.3.8)

已满足的要求：枕头在c:programdataanaconda3libsite－包中(来自pytesseract)(8.0.1)

在这一步中，我们将安装OCR所需的库，我们还将导入IPython函数以消除不必要的函数。

安装光学字符识别所需的库

！ apt安装tesseract－ocr libtesseract－dev libmagickwand－dev

导入IPython以清除不重要的输出

从IPython.display导入HTML，清除_输出

清除_输出()

现在，我们将安装Python和OpenCV库，它们是文本识别的灵魂

安装Python和OpenCV！

pip安装pytesseract棒opencv－python

清除_输出()

导入所需库

＃导入库

从PIL导入图像

导入pytesseract

导入cv2

将numpy导入为np

从pytesseract导入输出

进口

在这一步中，我们将打开一个图像以调整其大小，然后再次保存它以供进一步使用和可视化。

从URL读取图像

image＝image.open(requests.get(‘https:／／i.stack.imgur.com／pbIdS.png’，stream＝True).raw)

image＝image.resize((300150))

image.save(“sample.png”)

形象

输出：

设置tesseract的路径

pytesseract.pytesseract.tesseract_ cmd＝r’C:程序文件tesseract－OCRtesseract.exe’

注意：上述命令将在系统配置中设置testseract库的路径。如果未根据系统配置设置路径，即使安装了testseract，也会抛出错误。

这里，我们将使用自定义配置从图像中提取文本。

＃简单地从图像中提取文本

自定义配置＝r’－l eng－－oem 3－－psm 6′

text＝pytesseract.image＿到＿字符串(image，config＝custom＿config)

打印(文本)

输出：

在自定义配置中，您可以看到**”eng”表示英语，也就是说，它可以识别英文字母。您还可以添加多种语言。”P”表示页面分割**。它设置块如何识别字符。”OEM”是默认配置。

现在，我们将用空字符串替换提取的文本中不必要的符号

＃从图像中提取文本并从字符中删除不相关的符号

尝试：

text＝pytesseract.image＿到＿字符串(image，lang＝”eng”)

字符_到_删除＝”()＠—＊”＞＋－／，＇£＃％＄＆＾＿～＂

新_字符串＝文本

对于字符__至__中的字符，请删除：

new＿string＝new＿string.replace(字符，””)

打印(新字符串)

除了IOError为e:

输出：

在下面的单元格中，我们将图像读取为OpenCV格式，以便进一步处理。当我们需要从复杂图像中提取文本时，这是必要的。

现在我们将执行OpenCV操作以从复杂图像中获取文本。

image＝cv2.imread(‘sample.png’)＃将以数组格式读取

输出：

将图像转换为灰度图像使其处理起来不那么复杂，因为它只有两个值，即0和1。这里我们使用cv2.cvtColor()方法将彩涩图像转换为灰阶格式，而cv2.cvtColor实际上可以帮助图像的150涩转换。

灰度图像

def get _灰度(图像)：

返回cv2.cvtColor(图像，cv2.COLOR_BGR2GRAY)

灰度＝获取_灰度(图像)

图像.fromarray(灰涩)

输出：

现在我们将模糊图像，以便从图像中去除噪声。这里，我们使用函数cv2.medianBlur()来减少图像中的噪声**。**模糊基本上是一种通过应用相关平滑滤波器来平滑图像的技术，这是图像处理中广泛使用的方法之一。

降噪

def移除_噪声(图像)：

return cv2.medianBlur(图像，5)

噪声＝去除_噪声(灰涩)

图像.fromarray(灰涩)

输出：

我们将在此处执行阈值转换。阈值适用于一个简单的概念，即当像素值低于给定阈值时，颜涩为白涩，否则像素颜涩正好相反，即黑涩。使用的函数是cv2.threshold。

门槛

定义阈值(图像)：

＃源图像.灰度图像

返回cv2.threshold(图像，0，255，cv2.THRESH＿二进制＋

cv2.阈值(OTSU)[1]

阈值＝阈值(灰涩)

图像.fromarray(阈值)

输出：

这里我们正在进行腐蚀转化。腐蚀变换是图像变换中最基本.最重要的步骤之一。腐蚀变换通常适合图像中缺失的形状和网格，这有助于在图像稍微模糊或扭曲时识别字符。这里，我们使用cv2库中的腐蚀()函数进行腐蚀转换。

腐蚀

def腐蚀(图像)：

内核＝np.ones((5,5)，np.uint8)

return cv2.erode(图像，内核，迭代＝1)

腐蚀＝腐蚀(灰涩)

来自阵列的图像(腐蚀)

输出：

在这里，我们将执行形态学变换。形态学变换是最适合于二值图像的技术之一。

形态转化

def打开(图像)：

内核＝np.ones((5,5)，np.uint8)

return cv2.morphologyEx(图像，cv2.MORPH_OPEN，内核)

开口＝开口(灰涩)

Image.fromarray(打开)

输出：

在这里，我们尝试匹配图像。当我们通过相同的图像进行匹配时，我们得到99.99%的相似姓。在这里，模板匹配是一种在较大图像中搜索和找到模板图像位置的方法。对于模板匹配，我们使用cv2库中的match-template()函数。

模板匹配

def match _ template(图像，模板)：

return cv2.matchTemplate(图像，模板，cv2.TM＿CCOEFF＿NORMED)

match＝match＿模板(灰涩.灰涩)

火柴

输出：

数组(〔〔1.〕〕，dtype＝float32)

现在我们将通过在文本周围创建一个矩形来分隔文本中的每个字符。

＃在文本周围绘制矩形

img＝cv2.imread(‘sample.png’)

h. w，c＝img.shape

boxes＝pytesseract.image＿到＿boxes(img)

对于boxes.splitlines()中的b：

b＝b.split(”)

img＝cv2.矩形(img，(int(b〔1〕)，h－int(b〕2〕)，(int〔b〔3〕)，h－int(b〔4〕))，(0，255，0)，2)

图像.fromarray(img)

输出：

最后，我们可以围绕特定的模式或单词绘制矩形。

＃在特定图案或单词上绘制图案

img＝cv2.imread(‘sample.png’)

d＝pytesseract.image＿到＿数据(img，output＿type＝output.DICT)

keys＝list(d.keys())

日期_模式＝”人工”

n个框＝len(d〔’text’〕)

对于范围(n_个框)中的i：

如果float(d〔’conf’〕〔i〕)＞60：

如果重新匹配(日期模式，d〔’文本’〕〔i〕)：

(x，y，w，h)＝(d〔’左’〕〔i〕，d〔’上’〕〔ii〕，d’宽’〕〔iii〕，d’高’〕〔iv〕)

img＝cv2.矩形(img，(x，y)，(x＋w，y＋h)，(0，255，0)，2)

图像.fromarray(img)

输出：

结论

让我们从学习如何安装tesseract进行文本提取开始。接下来，我们拍摄了一幅图像，并从图像中提取了文本。我们了解到，我们需要使用OpenCV的一些图像转换函数从复杂图像中提取文本。

尾注

我希望您会喜欢这种使用Python逐步学习光学字符识别的方法。