Tesseract 介绍
Tesseract是一个开源的文本识别引擎,支持多种语言。4.0.0版本增加了LSTM神经网络。Tesseract最初是由惠普公司研发,2005年开源。
Tesseract安装
下载Tesseract的安装包,地址
安装过程:
- 选择常用的数学公式包,其他的语言包可以先不勾选,后续需要时再下载。如果勾选了安装过程可能极慢甚至中断。
-
设置环境变量
设置
TESSDATA_PREFIX
环境变量到tesseract的data目录。
选择语言包:
使用Tesseract进行文本识别时,需要下载相应的语言包,如本文需要对中文进行识别在data下载chi_sim.traineddata
放到TESSDATA_PREFIX
目录下。
Tesseract中文识别
Tesseract没有提供图形界面,只能通过命令行或者编程语言来调用。
需要注意的是,在使用Tessearct对中文进行识别的时候需要指定使用的语言模型,否则会识别失败出现一堆乱码。
-
命令行调用Tesseract
tesseract 1.png result -l chi_sim # -l 参数指定语言模型
-
python调用Tessearct
使用python调用Tessearct需要首先安装两个python lib
pip install pillow pip install pytesseract
使用python调用Tessearct进行图片中文识别
# coding = utf-8 from PIL import Image import pytesseract image = Image.open("1.png") # 这里lang='chi_sim'参数很重要,意思是对中文进行识别,如果加这个参数默认应该是英文的,中文识别出来的是乱码 text = pytesseract.image_to_string(image, lang='chi_sim') print(text) ''' 类似于 919@400 ROK 1X < Aah @ Fix arta ExT, 2% Med Ea BAAR ALFRE RIE tS | Be Be cai | = LRT +R '''
Reference
Python:文本识别抛弃pytesser,直接使用Tesseract - Penguin (polarxiong.com)
tesseract官方文档:Tesseract User Manual | tessdoc (tesseract-ocr.github.io)