Python識別圖片中的文字
一、前言
不知道大家有沒有遇到過這樣的問題,就是在某個軟件或者某個網頁裏面有一篇文章,你非常喜歡,但是不能複製。或者像百度文檔一樣,只能複製一部分,這個時候我們就會選擇截圖保存。但是當我們想用到裏面的文字時,還是要一個字一個字打出來。那麼我們能不能直接識別圖片中的文字呢?答案是肯定的。
二、Tesseract
文字識別是ORC的一部分內容,ORC的意思是光學字符識別,通俗講就是文字識別。Tesseract是一個用於文字識別的工具,我們結合Python使用可以很快的實現文字識別。但是在此之前我們需要完成一個繁瑣的工作。
(1)Tesseract的安裝及配置
Tesseract的安裝我們可以移步到該網址 https://digi.bib.uni-mannheim.de/tesseract/,我們可以看到如下界面:
有很多版本供大家選擇,大家可以根據自己的需求選擇。其中w32表示32位系統,w64表示64位系統,大家選擇合適的版本即可,可能下載速度比較慢,大家可以選擇鏈接:https://pan.baidu.com/s/1jKZe_ACLQCVXiCmvHj9adw 提取碼:ayel下載。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變量當中,我們路徑是D:\CodeField\Tesseract-OCR
。
我們右擊我的電腦/此電腦->屬性->高級系統設置->環境變量->Path->編輯->新建
然後將我們的路徑複製進去即可。添加好系統變量後後我們還需要依次點確定,這樣纔算配置好了。
(2)下載語言包
Tesseract默認是不支持中文的,如果想要識別中文或者其它語言需要下載相應的語言包,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)其它模塊下載
除了上面的步驟,我們還需要下載兩個模塊:
pip install pytesseract
pip install pillow
第一個是用於文字識別的,第二個是用於圖片讀取的。接下來我們就可以進行文字識別了。
三、文字識別
(1)單張圖片識別
接下來的操作就要簡單的多,下面是我們要識別的圖片:
接下來就是我們文字識別的代碼:
import pytesseract
from PIL import Image
# 讀取圖片
im = Image.open('sentence.jpg')
# 識別文字
string = pytesseract.image_to_string(im)
print(string)
識別結果如下:
Do not go gentle into that good night!
因爲默認是支持英文的,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
# 讀取圖片
im = Image.open('sentence.png')
# 識別文字,並指定語言
string = pytesseract.image_to_string(im, lang='chi_sim')
print(string)
在識別時,我們設置lang='chi_sim'
,也就是把語言設置爲簡體中文,只有當你的tessdata目錄下有簡體中文包該設置纔會生效。下面是我們用來識別的圖片:
識別結果如下:
不 要 溫 順 的 走 進 那 個 良 夜
圖片內容被準確識別出來了。有一點我們需要知道,在我們將語言設置爲簡體中文或其它語言後,Tesseract還是可以識別出英文字符。
(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
文件了,比如我有text.txt
文件,內容如下:
sentence1.jpg
sentence2.jpg
我們將代碼修改爲如下:
import pytesseract
# 識別文字
string = pytesseract.image_to_string('text.txt', lang='chi_sim')
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
# 文字圖片的路徑
path = 'text_img/'
# 獲取圖片路徑列表
imgs = [path + i for i in os.listdir(path)]
# 打開文件
f = open('text.txt', 'w+', encoding='utf-8')
# 將各個圖片的路徑寫入text.txt文件當中
for img in imgs:
f.write(img + '\n')
# 關閉文件
f.close()
# 文字識別
string = pytesseract.image_to_string('text.txt', lang='chi_sim')
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量進行識別了。在測試過程中發現,Tesseract對手寫體、行楷等飄逸的字體識別不準確,對一些複雜的字識別也有待提升。但是宋體、印刷體等筆畫嚴謹的字體識別準確率很高。另外如果圖片的傾斜大於一定的角度,識別結果也會有很大差別。