[AI测试]python文字图像识别tesseract

- 日理万妓 2023-10-15 08:26 126阅读 0赞

## \[AI测试\]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）

![图片][9d7af2d832a0d6b6fe8e586bafe46df0.png]

### 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

![图片][edcfb9f2f4792586cb424691d9b22ee5.png]

#### 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/
 *  ![图片][3150f29a87ba8738eaeedf13447e15f4.png]
 *  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

![图片][93eaab0b33504ac4ee8202f86add7251.png]

![图片][bf76b01788ded2464df5767aa7a9e589.png]

![图片][4f505d760a8b97fe494e32c5b68ada8f.png]

![图片][8fdd0b08a18c86d45c5f75aca4890deb.png]

![图片][641d7a38d26931d968caa4652e8819cc.png]

![图片][dd01cc3bb291c65a7c521abc375b2475.png]

![图片][b3396495e3c66ce9cd7dfdf438fc4f20.png]

![图片][44c77d0b84399414cfbef30955f80d90.png]

![图片][7a9e5bbed39776677dc7cbc9c0a3b3fc.png]

*  （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

![图片][e37ccd0841683f1e6240575dd8f404e1.png]

*  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：

![图片][80f35de27f3138526f4d7ee24949dade.png]

运行结果如下：

![图片][b52f80e536e743b990001b3cb36699fc.png]

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。

![图片][f0b63b8afbde7c1cdeced7a8408e6078.png]

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。

![图片][77c1a433a26c27a9dd07c9cc85a3145a.png]

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：

![图片][ea4eec0f5756391bc29a999836264ae1.png]

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：

![图片][abb41368e348f67de4b7867fa29e7bdf.png]

### 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！

**最后：**下方这份完整的软件测试视频教程已经整理上传完成，需要的朋友们可以自行领取**【保100%免费】**

![8b0171187dce405e878f274a8cdd9ec0.png][]

#### **软件测试面试文档** ####

我们学习必然是为了找到高薪的工作，下面这些面试题是来自阿里、腾讯、字节等一线互联网大厂最新的面试资料，并且有字节大佬给出了权威的解答，刷完这一套面试资料相信大家都能找到满意的工作。

![a3e4226c935c4242804cbdf26b571bc6.png][]

![a3baa16769924d0dbaab81da43d3707c.gif][]

[9d7af2d832a0d6b6fe8e586bafe46df0.png]: https://img-blog.csdnimg.cn/img_convert/9d7af2d832a0d6b6fe8e586bafe46df0.png
[edcfb9f2f4792586cb424691d9b22ee5.png]: https://img-blog.csdnimg.cn/img_convert/edcfb9f2f4792586cb424691d9b22ee5.png
[3150f29a87ba8738eaeedf13447e15f4.png]: https://img-blog.csdnimg.cn/img_convert/3150f29a87ba8738eaeedf13447e15f4.png
[93eaab0b33504ac4ee8202f86add7251.png]: https://img-blog.csdnimg.cn/img_convert/93eaab0b33504ac4ee8202f86add7251.png
[bf76b01788ded2464df5767aa7a9e589.png]: https://img-blog.csdnimg.cn/img_convert/bf76b01788ded2464df5767aa7a9e589.png
[4f505d760a8b97fe494e32c5b68ada8f.png]: https://img-blog.csdnimg.cn/img_convert/4f505d760a8b97fe494e32c5b68ada8f.png
[8fdd0b08a18c86d45c5f75aca4890deb.png]: https://img-blog.csdnimg.cn/img_convert/8fdd0b08a18c86d45c5f75aca4890deb.png
[641d7a38d26931d968caa4652e8819cc.png]: https://img-blog.csdnimg.cn/img_convert/641d7a38d26931d968caa4652e8819cc.png
[dd01cc3bb291c65a7c521abc375b2475.png]: https://img-blog.csdnimg.cn/img_convert/dd01cc3bb291c65a7c521abc375b2475.png
[b3396495e3c66ce9cd7dfdf438fc4f20.png]: https://img-blog.csdnimg.cn/img_convert/b3396495e3c66ce9cd7dfdf438fc4f20.png
[44c77d0b84399414cfbef30955f80d90.png]: https://img-blog.csdnimg.cn/img_convert/44c77d0b84399414cfbef30955f80d90.png
[7a9e5bbed39776677dc7cbc9c0a3b3fc.png]: https://img-blog.csdnimg.cn/img_convert/7a9e5bbed39776677dc7cbc9c0a3b3fc.png
[e37ccd0841683f1e6240575dd8f404e1.png]: https://img-blog.csdnimg.cn/img_convert/e37ccd0841683f1e6240575dd8f404e1.png
[80f35de27f3138526f4d7ee24949dade.png]: https://img-blog.csdnimg.cn/img_convert/80f35de27f3138526f4d7ee24949dade.png
[b52f80e536e743b990001b3cb36699fc.png]: https://img-blog.csdnimg.cn/img_convert/b52f80e536e743b990001b3cb36699fc.png
[f0b63b8afbde7c1cdeced7a8408e6078.png]: https://img-blog.csdnimg.cn/img_convert/f0b63b8afbde7c1cdeced7a8408e6078.png
[77c1a433a26c27a9dd07c9cc85a3145a.png]: https://img-blog.csdnimg.cn/img_convert/77c1a433a26c27a9dd07c9cc85a3145a.png
[ea4eec0f5756391bc29a999836264ae1.png]: https://img-blog.csdnimg.cn/img_convert/ea4eec0f5756391bc29a999836264ae1.png
[abb41368e348f67de4b7867fa29e7bdf.png]: https://img-blog.csdnimg.cn/img_convert/abb41368e348f67de4b7867fa29e7bdf.png
[8b0171187dce405e878f274a8cdd9ec0.png]: https://img-blog.csdnimg.cn/8b0171187dce405e878f274a8cdd9ec0.png
[a3e4226c935c4242804cbdf26b571bc6.png]: https://img-blog.csdnimg.cn/a3e4226c935c4242804cbdf26b571bc6.png
[a3baa16769924d0dbaab81da43d3707c.gif]: https://img-blog.csdnimg.cn/a3baa16769924d0dbaab81da43d3707c.gif