python人工智能-图像识别

浅浅的花香味﹌ 2022-02-01 11:19 351阅读 0赞

# 一、安装库 #

首先我们需要安装PIL和pytesseract库。  
PIL：（Python Imaging Library）是Python平台上的图像处理标准库，功能非常强大。  
pytesseract：图像识别库。

我这里使用的是python3.6，PIL不支持python3所以使用如下命令

pip install pytesseractpip install pillow
       
        
       
        
         1 
         2

如果是python2，则在命令行执行如下命令：

pip install pytesseractpip install PIL
       
        
       
        
         1 
         2

这时候我们去运行上面的代码会发现如下错误：  
![SouthEast][]

错误提示的很明显：  
**No such file or directory ："tesseract"**

这是因为我们没有安装tesseract-ocr引擎

如果你想要系统地学习人工智能，那么推荐你去看床长人工智能教程。非常棒的大神之作。教程不仅通俗易懂，而且很风趣幽默。点击[这里][Link 1]可以查看教程。

# 二、tesseract-ocr引擎 #

光学字符识别(OCR,Optical Character Recognition)是指对文本资料进行扫描，然后对图像文件进行分析处理，获取文字及版面信息的过程。OCR技术非常专业，一般多是印刷、打印行业的从业人员使用，可以快速的将纸质资料转换为电子资料。关于中文OCR，目前国内水平较高的有清华文通、汉王、尚书，其产品各有千秋，价格不菲。国外OCR发展较早，像一些大公司，如IBM、微软、HP等，即使没有推出单独的OCR产品，但是他们的研发团队早已掌握核心技术，将OCR功能植入了自身的软件系统。对于我们程序员来说，一般用不到那么高级的，主要在开发中能够集成基本的OCR功能就可以了。这两天我查找了很多免费OCR软件、类库，特地整理一下，今天首先来谈谈Tesseract，下一次将讨论下Onenote 2010中的OCR API实现。可以在这里查看OCR技术的发展简史。  
Tesseract的OCR引擎最先由HP实验室于1985年开始研发，至1995年时已经成为OCR业内最准确的三款识别引擎之一。然而，HP不久便决定放弃OCR业务，Tesseract也从此尘封。  
数年以后，HP意识到，与其将Tesseract束之高阁，不如贡献给开源软件业，让其重焕新生－－2005年，Tesseract由美国内华达州信息技术研究所获得，并求诸于Google对Tesseract进行改进、消除Bug、优化工作。

\#\#\#安装tesseract-ocr引擎

brew install tesseract
      
       
      
       
        1

然后我们通过`tesseract -v`看一下是否安装成成功

tesseract 3.05.01leptonica-1.75.0libjpeg 9b : libpng 1.6.34 : libtiff 4.0.9 : zlib 1.2.11
      
       
      
       
        1 
        2 
        3

这时候我们运行上面代码会出现乱码  
![SouthEast 1][]  
这是因为`tesseract`默认只有语言包中没有中文包，如下图：  
![SouthEast 2][]

\#\#\#安装tesseract-ocr语言包  
我们去GitHub下载我们需要的语言包，这里我只下载了`chi_tra.traineddata`和`chi_sim.traineddata`  
[github：tesseract-ocr/tessdata][github_tesseract-ocr_tessdata]  
然后放到`/usr/local/Cellar/tesseract/3.05.01/share/tessdata`路径下面。

可以通过`tesseract --list-langs`查看本地语言包：  
![SouthEast 3][]

可以通过`tesseract --help-psm` 查看psm  
![SouthEast 4][]

> 0：定向脚本监测（OSD）  
> 1： 使用OSD自动分页  
> 2 ：自动分页，但是不使用OSD或OCR（Optical Character Recognition，光学字符识别）  
> 3 ：全自动分页，但是没有使用OSD（默认）  
> 4 ：假设可变大小的一个文本列。  
> 5 ：假设垂直对齐文本的单个统一块。  
> 6 ：假设一个统一的文本块。  
> 7 ：将图像视为单个文本行。  
> 8 ：将图像视为单个词。  
> 9 ：将图像视为圆中的单个词。  
> 10 ：将图像视为单个字符。

为什么这里要强调语言包和psm，因为我们在使用中会用到，  
比如多个语言包组合并且视为统一的文本块将使用如下参数：  
`pytesseract.image_to_string(image,lang="chi_sim+eng",config="-psm 6")`  
这里我们通过`+`来合并使用多个语言包。

接下来我们看一下配置好一切的正确结果。

import pytesseractfrom PIL import Imageimage = Image.open("../pic/c.png")code = pytesseract.image_to_string(image,lang="chi_sim",config="-psm 6")print(code)
      
       
      
       
        1 
        2 
        3 
        4 
        5 
        6

[SouthEast]: /images/20220201/7b472f24fec649efabc0c036343999fc.png
[Link 1]: http://www.captainbed.net/csdn
[SouthEast 1]: /images/20220201/d091903a84ff4bad9bdb4eab973c97c9.png
[SouthEast 2]: /images/20220201/5ed96472d764481688e8744fd9bdf0ba.png
[github_tesseract-ocr_tessdata]: https://github.com/tesseract-ocr/tessdata/blob/master/chi_tra.traineddata
[SouthEast 3]: /images/20220201/250cbf2dc5d34f7293c5cabb4c80b10e.png
[SouthEast 4]: /images/20220201/98663a1b2cea4117a8a429d1ab5bcac9.png