python辨識圖片中文字的方法

Tesseract

文字辨識是ORC的一部分內容，ORC的意思是光學字元識別，通俗講就是文字辨識。 Tesseract是一個用於文字辨識的工具，我們結合Python使用可以很快的實作文字辨識。但是在此之前我們需要完成一個繁瑣的工作。

（1）Tesseract的安裝與設定

在 https://digi.bib.uni-mannheim.de/tesseract/下載Tesseract

#有很多版本供大家選擇，大家可以依照自己的需求選擇。其中w32表示32位元系統，w64表示64位元系統，大家選擇適合的版本即可，可能下載速度比較慢。

安裝時我們需要知道我們安裝的位置，將安裝目錄配置到系統path變數當中，我們路徑是D:\CodeField\Tesseract-OCR。

我們右鍵點選我的電腦/此電腦->屬性->進階系統設定->環境變數->Path->編輯->新建然後將我們的路徑複製進去即可。新增好系統變數後我們還需要依序點確定，這樣才算配置好了。

（2）下載語言包

Tesseract預設是不支援中文的，如果想要識別中文或其它語言需要下載對應的語言包，下載地址如下： https://tesseract -ocr.github.io/tessdoc/Data-Files ，進入網站後我們往下翻：

其中有兩個中文語言包，一個Chinese-Simplified和Chinese -Traditional，它們分別是簡體中文和繁體中文，我們選擇需要的下載即可。下載完成後我們需要放到Tesseract的路徑下的tessdata目錄下，我們路徑是D:\CodeField\Tesseract-OCR\tessdata。

（3）其它模組下載

除了上面的步驟，我們還需要下載兩個模組：

pip install pytesseract
pip install pillow

第一個是用於文字辨識的，第二個是用於圖片讀取的。接下來我們就可以進行文字辨識了。

文字識別

（1）單張圖片識別

#接下來的操作就要簡單的多，以下是我們要識別的圖片：

接下來就是我們文字辨識的程式碼：

import pytesseract
from PIL import Image
# 读取图片
im = Image.open('sentence.jpg')
# 识别文字
string = pytesseract.image_to_string(im)
print(string)

識別結果如下：

Do not go gentle into that good night!

因為預設是支援英文的，所以我們可以直接識別，但是當我們要識別中文或其它語言時就需要做些修改：

import pytesseract
from PIL import Image
# 读取图片
im = Image.open('sentence.png')
# 识别文字，并指定语言
string = pytesseract.image_to_string(im,)
print(string)

在識別時，我們設定lang='chi_sim'，也就是把語言設定為簡體中文，只有當你的tessdata目錄下有簡體中文包該設定才會生效。以下是我們用來辨識的圖片：

#辨識結果如下：

不要溫順的走進那個良夜

圖片內容被準確辨識出來了。有一點我們需要知道，在我們將語言設定為簡體中文或其它語言後，Tesseract還是可以辨識出英文字元。

（2）批量圖片識別

既然我們把單張圖片識別列出來了，就肯定還有批量圖片識別這個功能，這就需要我們準備一個txt檔案了，比如我有text.txt文件，內容如下：

sentencepython辨識圖片中文字的方法
sentencepython辨識圖片中文字的方法

我們將程式碼修改為如下：

import pytesseract
# 识别文字
string = pytesseract.image_to_string('text.txt',)
print(string)

但是這樣自己寫一個txt文件難免有些麻煩，因此我們又可以進行如下修改：

import os
import pytesseract
# 文字图片的路径
path = 'text_img/'
# 获取图片路径列表
imgs = [path + i for i in os.listdir(path)]
# 打开文件
f = open('text.txt', 'w+', encoding='utf-8')
# 将各个图片的路径写入text.txt文件当中
for img in imgs:
    f.write(img + '\n')
# 关闭文件
f.close()
# 文字识别
string = pytesseract.image_to_string('text.txt',)
print(string)

這樣我們只需要傳入一個文字圖片的根目錄就可以批次進行識別了。在測試過程中發現，Tesseract對手寫體、行楷等飄逸的字體辨識不準確，對一些複雜的字辨識也有待提升。

但是宋體、印刷體等筆畫嚴謹的字體辨識準確率很高。另外如果圖片的傾斜大於一定的角度，辨識結果也會有很大差異。

更多相關知識請關注python影片教學欄位

#

以上是python辨識圖片中文字的方法的詳細內容。更多資訊請關注PHP中文網其他相關文章！