使用Pytesseract进行光学字符识别

概述

本文，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，我们将在该文本上应用 OpenCV 的一些基本功能来增强它并获得更准确的结果。这个项目将非常有用，因为它可以节省从图像打字的时间和精力。

范围

· 对于将从图像中获取文本的大型组织而言，此应用程序可能会节省时间。

· 它可以打开“无纸化文档”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中获取文本。

我们将导入requests库以获取 git 文件和图像的 URL 。

＃import requests to install tesseract

import requests

注意：现在要下载 tesseract 文件，只需转到我将在函数中作为参数提供的链接，但我只是提供另一种下载 tesseract 文件的方法。

＃ Downloading tesseract－ocr file

r ＝ requests．get（＂https：／／raw．githubusercontent．com／tesseract－ocr／tessdata／4．00／ind．traineddata＂， stream ＝ True）将数据写入文件以避免路径问题

with open（＂ind．traineddata＂， ＂wb＂） as file：

for block in r．iter＿content（chunk＿size ＝ 1024）：

if block：

file．write（block）

我们现在将下载Pytesseract 库运行所需的tesseract，并将文件保存在open（） 函数的路径中。

！pip install pytesseract

如果你想将其安装在笔记本中，此命令将安装 Pytesseract 模块

Requirement already satisfied： pytesseract in c：programdataanaconda3libsite－packages （0．3．8）

Requirement already satisfied： Pillow in c：programdataanaconda3libsite－packages （from 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 函数以清除不需要的函数。

安装光学字符识别所需的库

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

导入 IPython 以清除不重要的输出

from IPython．display import HTML， clear＿output

clear＿output（）

现在，我们将安装Pytesseract 和 OpenCV库，它们是我们文本识别的灵魂

安装Pytesseract 和 OpenCV！

pip install pytesseract wand opencv－python

clear＿output（）

导入所需的库

＃ Import libraries

from PIL import Image

import pytesseract

import cv2

import numpy as np

from pytesseract import Output

import re

在这一步中，我们将打开一个图像调整其大小，然后再次保存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（（300，150））

image．save（＇sample．png＇）

image

输出：

设置tesseract的路径

pytesseract．pytesseract．tesseract＿cmd ＝ r＇C：Program FilesTesseract－OCRtesseract．exe＇

注意：上面的命令将在系统配置中设置tesseract库的路径，如果路径没有根据系统配置设置，那么即使安装了tesseract也会抛出错误。

在这里，我们将使用自定义配置从图像中提取文本。

＃ Simply extracting text from image

custom＿config ＝ r＇－l eng －－oem 3 －－psm 6＇

text ＝ pytesseract．image＿to＿string（image，config＝custom＿config）

print（text）

输出：

在自定义配置中，你可以看到＊＊“eng”表示英语，即它会识别英文字母，你还可以添加多种语言，“PSM”表示页面分割＊＊，它设置了块如何识别字符，“OEM”是默认配置。

现在，我们将通过用空字符串替换符号，从提取的文本中删除不需要的符号

＃ Extracting text from image and removing irrelevant symbols from characters

try：

text＝pytesseract．image＿to＿string（image，lang＝＂eng＂）

characters＿to＿remove ＝ ＂！（）＠—＊“＞＋－／，＇｜?＃％＄＆＾＿～＂

new＿string ＝ text

for character in characters＿to＿remove：

new＿string ＝ new＿string．replace（character， ＂＂）

print（new＿string）

except IOError as e：

输出：

在下面的单元格中，我们将图像读入OpenCV格式以进一步处理。当我们需要从复杂图像中提取文本时，这是必需的。

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＇） ＃ will read in the array format

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 0 和 1 两个值。这里我们使用cv2．cvtColor（）方法将彩色图像转换为灰度格式，而cv2．cvtColor 实际上可以帮助图像的 150 色转换。

灰度图像

def get＿grayscale（image）：

return cv2．cvtColor（image， cv2．COLOR＿BGR2GRAY）

gray ＝ get＿grayscale（image）

Image．fromarray（gray）

输出：

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

降噪

def remove＿noise（image）：

return cv2．medianBlur（image，5）

noise ＝ remove＿noise（gray）

Image．fromarray（gray）

输出：

我们将在这里进行阈值变换。阈值适用于简单的概念，即当像素值低于给定的阈值时，颜色为白色，否则像素颜色正好相反，即黑色。使用的函数是cv2．threshold。

阈值

def thresholding（image）：

＃ source image， grayscale image

return cv2．threshold（image， 0， 255， cv2．THRESH＿BINARY ＋

cv2．THRESH＿OTSU）［1］

thresh ＝ thresholding（gray）

Image．fromarray（thresh）

输出：

这里我们正在做腐蚀变换。腐蚀变换是图像变换中最基本、最重要的步骤之一。腐蚀变换通常会拟合图像中缺失的形状和格子，这有助于在图像中稍微模糊或扭曲时识别字符。在这里，我们使用cv2 库中的erode（）函数进行腐蚀转换。

腐蚀

def erode（image）：

kernel ＝ np．ones（（5，5），np．uint8）

return cv2．erode（image， kernel， iterations ＝ 1）

erode ＝ erode（gray）

Image．fromarray（erode）

输出：

在这里，我们将执行形态变换。形态变换是最适合二值图像的技术之一，它根据图像的像素值对图像进行排序，而不是在考虑阈值的情况下对图像的数值进行排序。

形态变换

def opening（image）：

kernel ＝ np．ones（（5，5），np．uint8）

return cv2．morphologyEx（image， cv2．MORPH＿OPEN， kernel）

opening ＝ opening（gray）

Image．fromarray（opening）

输出：

在这里，我们试图匹配图像。当我们传递相同的图像进行匹配时，我们得到了99．99％的相似度。这里，模板匹配是一种在较大的图像中搜索和查找模板图像的位置的方法。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（image， template）：

return cv2．matchTemplate（image， template， cv2．TM＿CCOEFF＿NORMED）

match ＝ match＿template（gray， gray）

match

输出：

array（［［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。

＃ Drawing rectangle around text

img ＝ cv2．imread（＇sample．png＇）

h， w， c ＝ img．shape

boxes ＝ pytesseract．image＿to＿boxes（img）

for b in boxes．splitlines（）：

b ＝ b．split（＇ ＇）

img ＝ cv2．rectangle（img， （int（b［1］）， h － int（b［2］））， （int（b［3］）， h － int（b［4］））， （0， 255， 0）， 2）

Image．fromarray（img）

输出：

最后，我们可以围绕特定的图案或单词绘制矩形。

＃ Drawing pattern on specific pattern or word

img ＝ cv2．imread（＇sample．png＇）

d ＝ pytesseract．image＿to＿data（img， output＿type＝Output．DICT）

keys ＝ list（d．keys（））

date＿pattern ＝ ＇artificially＇

n＿boxes ＝ len（d［＇text＇］）

for i in range（n＿boxes）：

if float（d［＇conf＇］［i］） ＞ 60：

if re．match（date＿pattern， d［＇text＇］［i］）：

（x， y， w， h） ＝ （d［＇left＇］［i］， d［＇top＇］［i］， d［＇width＇］［i］， d［＇height＇］［i］）

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

Image．fromarray（img）

输出：

结论

我们从学习如何安装用于文本提取的 tesseract 开始。接下来，我们拍摄了一张图像并从该图像中提取了文本。我们了解到我们需要使用 OpenCV 的某些图像转换函数来从复杂图像中提取文本。

尾注

希望你们会喜欢这个使用 Pytesseract逐步学习光学字符识别的方法。

原文标题:使用Pytesseract进行光学字符识别