ubuntu 12.04 下安裝 PyTesser 進行OCR識別

安裝所需的庫

sudo apt-get install libpng12-dev
sudo apt-get install libjpeg62-dev
sudo apt-get install libtiff4-dev

sudo apt-get install gcc
sudo apt-get install g++
sudo apt-get install automake

 

pytesser 調用了 tesseract，因此需要安裝 tesseract，安裝 tesseract 需要安裝 leptonica，否則編譯tesseract 的時候出現 "configure: error: leptonica not found"。

 

以下都是解壓編譯安裝的老步驟：

./configure
make -j4
sudo make install

 

下載安裝leptonica

http://www.leptonica.org/download.html 或者

http://code.google.com/p/leptonica/downloads/list

最新的是leptonica-1.69.tar.bz2

 

下載安裝tesseract

http://code.google.com/p/tesseract-ocr/

最新的是 tesseract-ocr-3.02.02.tar.gz

 

下載安裝 tesseract 的語言數據包

http://code.google.com/p/tesseract-ocr/downloads/list

最新的是 tesseract-ocr-3.01.eng.tar.gz

解壓tessdata目錄下的文件（9個）到 "/usr/local/share/tessdata"目錄下

注意：這個網址下載到的只有一個，不能用，使用中會報錯，http://tesseract-ocr.googlecode.com/files/eng.traineddata.gz

 

下載安裝 pytesser

http://code.google.com/p/pytesser/

最新的是 pytesser_v0.0.1.zip 

 

測試pytesser

到pytesser的安裝目錄，創建一個test.py，python test.py 查看結果。

from pytesser import *
#im = Image.open('fnord.tif')
#im = Image.open('phototest.tif')
#im = Image.open('eurotext.tif')
im = Image.open('fonts_test.png')
text = image_to_string(im)
print text

tesseract 目錄還有其他tif文件，也可以複製過來測試，上面測試的tif，png文件正確識別出文字。

 

pytesser的驗證碼識別能力較低，只能對規規矩矩不歪不斜數字和字母驗證碼進行識別。測試了幾個網站的驗證碼，顯示 Empty page，看來用它來識別驗證碼是無望了。

測試發現提高對比度後再識別有助於提高識別準確率。

enhancer = ImageEnhance.Contrast(im)
im = enhancer.enhance(4)

 

參考：

http://www.oschina.net/question/54100_59400

http://ubuntuforums.org/showthread.php?p=10248384