前言

python圖像識別一般基礎到的就是tesseract了，在爬蟲中處理驗證碼廣泛使用。

安裝

安裝教程網上大都差不多，Windows下確實比較麻煩，涉及到各種路徑、環境變量甚至與linux不同的路徑分隔符，所以這里的安裝是基于Centos7。

1. 依賴安裝

            
yum install -y automake autoconf libtool gcc gcc-c++
          

2. 安裝leptonica

Leptonica主要用于圖像處理和圖像分析

原則上所有的庫文件都是可以直接用yum安裝的，如果想要具體的某個版本，可以前往官方源下載對應版本然后按照對應方式編譯

            
wget http://www.leptonica.org/source/leptonica-1.74.4.tar.gz
tar -zxvf leptonica-1.74.4.tar.gz
cd leptonica-1.74.4/
./configure
make && make install
          

3. 安裝tesseract

其他各版本可以在這里下載并自行編譯，也提供直接使用的文件。

            
yum install tesseract
          

4. 驗證安裝

            
tesseract --version
          

5. 語言包下載

前往tesseract-ocr/tessdata下載相應的語言包,然后將之移動到tessdata目錄下，可以用whereis tesseract查看一下具體的目錄，我的是/usr/share/tesseract/tessdata/mv *.traineddata /usr/local/share/tessdata/

6. 查看目前已下載的語言

tesseract --list-langs

使用

            
# tesseract
Usage:
 tesseract --help | --help-psm | --help-oem | --version
 tesseract --list-langs [--tessdata-dir PATH]
 tesseract --print-parameters [options...] [configfile...]
 tesseract imagename|stdin outputbase|stdout [options...] [configfile...]

OCR options:
 --tessdata-dir PATH  Specify the location of tessdata path.
 --user-words PATH   Specify the location of user words file.
 --user-patterns PATH Specify the location of user patterns file.
 -l LANG[+LANG]    Specify language(s) used for OCR.
 -c VAR=VALUE     Set value for config variables.
            Multiple -c arguments are allowed.
 --psm NUM       Specify page segmentation mode.
 --oem NUM       Specify OCR Engine mode.
NOTE: These options must occur before any configfile.
          

語法

            
tesseract imagename outputbase [-l lang] [-psm pagesegmode] [configfile...]
          

• imagename：圖片名字
• outputbase：指定輸出，如果希望直接輸出而不是保存到文件，那么就使用 stdout，否則這個參數將會作為保存結果的文件的前綴
• -l指定語言文件，默認使用英文
• tesseract --print-parameters：查看更多參數信息
• 使用-c指定單項參數的值或者將配置寫入配置文件放在命令最后(支持多個配置文件)
• psm 識別圖像的方式

0：定向腳本監測（OSD）

1： 使用OSD自動分頁

2 ：自動分頁，但是不使用OSD或OCR（Optical Character Recognition，光學字符識別）

3 ：全自動分頁，但是沒有使用OSD（默認）

4 ：假設可變大小的一個文本列。

5 ：假設垂直對齊文本的單個統一塊。

6 ：假設一個統一的文本塊。

7 ：將圖像視為單個文本行。

8 ：將圖像視為單個詞。

9 ：將圖像視為圓中的單個詞。

10 ：將圖像視為單個字符。

python中使用

Tesseract安裝完成后可以很方便的被Python調用，但是需要pillow和pytesseract的支持。

python中轉換

            
image_to_data(image, lang=None, config='', nice=0, output_type=Output.STRING)
          

• image Object，由Tesseract處理的圖像的PIL Image/NumPy數組
• lang String，Tesseract語言代碼字符串
• config String，任何其他配置字符串，例如：config='--psm 6'
• 語言文件可以疊加，用“+”隔開
• 我們也可以在這里進行tessdata路徑的設置，跟在config里面即可
• 更多配置包括config和psm都和tesseract類似

實例：

流程： 打開圖片，配置，轉換，可以通過Image的open或者cv2的imread打開圖片，之后對圖片進行對比度增強，降噪等處理，效果會好一些。

            
from PIL import Image
import pytesseract
class Languages:
  CHS = 'chi_sim'
  ENG = 'eng'
def img_to_str(image_path, lang=Languages.ENG):
  return pytesseract.image_to_string(Image.open(image_path), lang)
print(img_to_str('pic/numu.png', lang=Languages.ENG))
print(img_to_str('pic/pro.png', lang=Languages.ENG))
          

總結

簡單的文本識別效果還是不錯的，但是設計到多空行、符號等，識別效果就不是太好了，準確度方面可以通過對字庫的訓練達到想要的效果，之后對獲取到的文本利用諸如re等各種庫進行操作，其實應用還蠻廣泛的。2. 但是它在驗證碼方面的話效果還是不錯的，驗證碼的話tesserocr也是比較方面的.

識別中文可能會出現編碼錯誤，這也是識別上的漏洞之一了，網上大佬們所說的改變文本的編碼似乎并不能解決問題，所以對長文本圖片處理還是不太建議直接轉換。

圖文處理也可以借鑒一些各平臺的API，百度、騰訊、美團都有支持.

以上就是本文的全部內容，希望對大家的學習有所幫助，也希望大家多多支持腳本之家。