OCR中文识别之tesseract-ocr

软硬兼环境

• windows 10 64bit
• anaconda with python 3.7
• nivdia gtx 1066
• opencv 4.4.0
• tesseract 5.0.0 alpha

简介

tesseract的OCR(Optical Character Recognition)引擎最先由HP实验室于1985年开始研发，后来转交给了google继续开发，现在项目托管在了github，在3.0版本后开始支持中文识别，目前已经发展到了5.0，支持多种操作系统。本文就来看看tesseract-ocr的基本安装、使用以及如何在python中去调用。

tesseract-ocr安装

官方的下载地址: tesseract-ocr.github.io/tessdoc/Dow…，这里下载的是windows的最新版 digi.bib.uni-mannheim.de/tesseract/t…

下载好后直接安装，在安装组件的时候将中文包也选上，因为我们要进行中文的文字识别

接下来设置2个系统环境变量，将tesseract-ocr的安装目录加入到PATH中，默认的安装路径是C:\Program Files\Tesseract-OCR

然后新建一个新的环境变量TESSDATA_PREFIX，其值是C:\Program Files\Tesseract-OCR\tessdata

如果自定义过安装路径的话，就对应着修改。

验证环境

通过命令tesseract -v查看版本号

通过tesseract --list-langs，查看支持识别的语言

(base) PS C:\Users\Administrator> tesseract --list-langs
List of available languages (4):
chi_sim
chi_sim_vert
eng
osd

测试效果

找张包含中文的图片来测试下

tesseract test.png result -l chi_sim

识别的结果会保存在一个result.txt文件中

在python中使用

这里需要用到一个第三方的库pytesseract，首先安装

pip install pytesseract

下面看个示例代码

import cv2
import sys
import pytesseract

if __name__ == '__main__':

  if len(sys.argv) < 2:
    print('Usage: python ocr_demo.py image.jpg')
    sys.exit(1)
  
  # 使用命令行参数
  imPath = sys.argv[1]

  # -l 识别中文
  # --oem 使用LSTM作为OCR引擎，可选值为0、1、2、3；
  #  0    Legacy engine only.
  #  1    Neural nets LSTM engine only.
  #  2    Legacy + LSTM engines.
  #  3    Default, based on what is available.
  # --psm 设置Page Segmentation模式为自动
  config = ('-l chi_sim --oem 1 --psm 3')

  im = cv2.imread(imPath, cv2.IMREAD_COLOR)

  # 进行识别，本质上是调用tesseract命令行工具
  text = pytesseract.image_to_string(im, config=config)

  # 打印结果
  print(text)

使用上面的测试图片运行代码，可以得到

(demo) PS C:\xugaoxiang\gogs\learnopencv\OCR> python .\ocr_demo.py C:\Users\Administrator\Desktop\test.png
个人网站: https://xugaoxiang.com

参考资料

• github.com/tesseract-o…
• github.com/madmaze/pyt…