一、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是一個用于文字識別的工具，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，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->新建然后將我們的路徑復制進去即可。添加好系統變量后后我們還需要依次點確定，這樣才算配置好了。

（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 ，進入網站后我們往下翻：

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。下載完成后我們需要放到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

第一個是用于文字識別的，第二個是用于圖片讀取的。接下來我們就可以進行文字識別了。

二、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!

因為默認是支持英文的，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，并指定語言
string = pytesseract.image_to_string(im, lang='chi_sim')
print(string)

在識別時，我們設置lang='chi_sim'，也就是把語言設置為簡體中文，只有當你的tessdata目錄下有簡體中文包該設置才會生效。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，在我們將語言設置為簡體中文或其它語言后，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，比如我有文件，text.txt內容如下：

sentence1.jpg
sentence2.jpg

我們將代碼修改為如下：

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，對一些復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于一定的角度，識別結果也會有很大差別。

到此這篇關于如何利用Python識別圖片中的文字詳解的文章就介紹到這了,更多相關Python識別圖片中的文字內容請搜索腳本之家以前的文章或繼續瀏覽下面的相關文章希望大家以后多多支持腳本之家！