HOOOS

Python图像文字识别：Tesseract OCR库的安装与使用详解

0 13 爱敲代码的小白 Python OCRTesseract图像识别
Apple

想用Python实现图片文字识别？没问题，Tesseract OCR绝对能帮上忙！它是一款强大的开源OCR引擎，关键是免费！配合Python的pytesseract库，就能轻松实现图片转文字。

1. Tesseract OCR的安装

Windows:

  1. 下载安装包： 从UB Mannheim下载最新的Windows安装包。注意选择与你的系统匹配的版本（32位或64位）。
  2. 安装： 双击安装包，按照提示完成安装。重点： 记住你的安装路径，比如C:\Program Files\Tesseract-OCR，后面要用到。
  3. 配置环境变量：
    • 打开“控制面板” -> “系统与安全” -> “系统” -> “高级系统设置”。
    • 点击“环境变量”。
    • 在“系统变量”中，找到“Path”，点击“编辑”。
    • 点击“新建”，添加Tesseract OCR的安装路径。例如：C:\Program Files\Tesseract-OCR
    • 再点击“新建”，添加TESSDATA_PREFIX变量，值为C:\Program Files\Tesseract-OCR\tessdata
    • 一路点击“确定”保存设置。

macOS:

  1. 使用Homebrew安装： 如果你还没有安装Homebrew，先安装它：/bin/bash -c "$(curl -fsSL https://raw.githubusercontent.com/Homebrew/install/HEAD/install.sh)"
  2. 安装Tesseract： 在终端运行：brew install tesseract

Linux (Ubuntu/Debian):

在终端运行：sudo apt update && sudo apt install tesseract-ocr

2. pytesseract的安装

pytesseract是Python中调用Tesseract OCR的桥梁，用pip就能搞定：

pip install pytesseract pillow

pillow库是用来处理图片的，也需要安装。

3. 简单上手：图片转文字

下面是一个简单的例子，把图片image.png里的文字提取出来：

import pytesseract
from PIL import Image

# 如果Tesseract不在默认路径，需要指定路径
pytesseract.pytesseract.tesseract_cmd = r'C:\Program Files\Tesseract-OCR\tesseract.exe' # 替换成你的实际路径

image_path = 'image.png'

try:
    img = Image.open(image_path)
    text = pytesseract.image_to_string(img, lang='chi_sim') # 指定语言为简体中文
    print(text)

    # 保存到txt文件
    with open('output.txt', 'w', encoding='utf-8') as f:
        f.write(text)

except FileNotFoundError:
    print(f"错误：找不到图片文件 {image_path}")
except Exception as e:
    print(f"发生错误：{e}")

代码解释：

  • pytesseract.pytesseract.tesseract_cmd: 非常重要！ 如果你的Tesseract没有添加到环境变量，或者pytesseract找不到Tesseract的安装路径，就需要手动指定。替换成你自己的安装路径。
  • Image.open(image_path): 用Pillow库打开图片。
  • pytesseract.image_to_string(img, lang='chi_sim'): 这是核心函数，把图片转换成文字。lang='chi_sim'指定识别语言为简体中文。如果你的图片是英文，可以改成lang='eng'。
  • with open('output.txt', 'w', encoding='utf-8') as f:: 把提取出来的文字保存到output.txt文件，encoding='utf-8'是为了支持中文。
  • try...except: 用了异常处理，防止程序出错崩溃。

4. 提高识别准确率的小技巧

  • 图片预处理： Tesseract对图片质量要求比较高。如果图片模糊、倾斜、对比度低，识别效果会很差。可以尝试用Pillow或其他图像处理库进行预处理，例如：

    • 灰度化： img = img.convert('L')
    • 二值化： 根据灰度值设置一个阈值，将像素点设为黑或白。
    • 降噪： 去除图片中的噪点。
    • 倾斜校正： 校正图片中的倾斜。

  • 指定识别区域： 如果你只关心图片中的一部分区域，可以用Pillow截取这部分区域，再进行识别。

  • 训练Tesseract： 如果你需要识别特殊字体或特定领域的文字，可以训练Tesseract，提高识别准确率。这部分比较复杂，可以参考Tesseract的官方文档。

  • 调整psm (Page Segmentation Mode) 参数： psm参数控制Tesseract如何分析图片中的文本布局。可以尝试不同的psm值，看看哪个效果最好。例如：

    text = pytesseract.image_to_string(img, lang='chi_sim', config='--psm 6')

    常用的psm值有：

    • 0: Orientation and script detection (OSD) only.
    • 1: Automatic page segmentation with OSD.
    • 3: Fully automatic page segmentation, but no OSD (or OCR).
    • 4: Assume a single column of text of variable sizes.
    • 6: Assume a single uniform block of text.
    • 7: Treat the image as a single text line.
    • 8: Treat the image as a single word.
    • 13: Raw line. Treat the image as a single text line, bypassing hacks that are Tesseract-specific.

  • 使用oem (OCR Engine Mode) 参数： oem参数控制Tesseract使用的OCR引擎。可以尝试不同的oem值。例如：

    text = pytesseract.image_to_string(img, lang='chi_sim', config='--oem 3')

    常用的oem值有：

    • 0: Legacy engine only.
    • 1: Neural nets LSTM engine only.
    • 2: Tesseract + LSTM engines.
    • 3: Default, based on what is available.

5. 总结

Tesseract OCR是一个非常强大的免费OCR引擎，配合Python的pytesseract库，可以方便地实现图片文字识别。但是，识别准确率受到图片质量的影响。通过图片预处理、指定识别区域、训练Tesseract等方法，可以提高识别准确率。希望这篇文章能帮助你入门Python图像文字识别！

点评评价

captcha
健康