使用Pytesseract進行光學字符識別
概述
本文，我們將使用計算機視覺技術從圖像中提取文本。提取文本后，我們將在該文本上應用 OpenCV 的一些基本功能來增強它并獲得更準確的結果。這個項目將非常有用，因為它可以節省從圖像打字的時間和精力。
范圍
· 對于將從圖像中獲取文本的大型組織而言，此應用程序可能會節省時間。
· 它可以打開“無紙化文檔”的世界，這也有助于升級存儲。
· 它還可以幫助自動化過程，因為它可以從圖像本身中獲取文本。
我們將導入requests庫以獲取 git 文件和圖像的 URL 。
＃import requests to install tesseract
import requests
注意：現在要下載 tesseract 文件，只需轉到我將在函數中作為參數提供的鏈接，但我只是提供另一種下載 tesseract 文件的方法。
＃ Downloading tesseract－ocr file
r ＝ requests．get（＂https：／／raw．githubusercontent．com／tesseract－ocr／tessdata／4．00／ind．traineddata＂， stream ＝ True）
將數據寫入文件以避免路徑問題
with open（＂ind．traineddata＂， ＂wb＂） as file：
for block in r．iter＿content（chunk＿size ＝ 1024）：
if block：
file．write（block）
我們現在將下載Pytesseract 庫運行所需的tesseract，并將文件保存在open（） 函數的路徑中。
！pip install pytesseract
如果你想將其安裝在筆記本中，此命令將安裝 Pytesseract 模塊
Requirement already satisfied： pytesseract in c：programdataanaconda3libsite－packages （0．3．8）
Requirement already satisfied： Pillow in c：programdataanaconda3libsite－packages （from pytesseract） （8．0．1）
在這一步中，我們將安裝 OCR 所需的庫，我們還將導入 IPython 函數以清除不需要的函數。
安裝光學字符識別所需的庫
！ apt install tesseract－ocr libtesseract－dev libmagickwand－dev
導入 IPython 以清除不重要的輸出
from IPython．display import HTML， clear＿output
clear＿output（）
現在，我們將安裝Pytesseract 和 OpenCV庫，它們是我們文本識別的靈魂
安裝Pytesseract 和 OpenCV！
pip install pytesseract wand opencv－python
clear＿output（）
導入所需的庫
＃ Import libraries
from PIL import Image
import pytesseract
import cv2
import numpy as np
from pytesseract import Output
import re
在這一步中，我們將打開一個圖像調整其大小，然后再次保存以供進一步使用和可視化。
從URL讀取圖像
image ＝ Image．open（requests．get（＇https：／／i．stack．imgur．com／pbIdS．png＇， stream＝True）．raw）
image ＝ image．resize（（300，150））
image．save（＇sample．png＇）
image
輸出：
設置tesseract的路徑
pytesseract．pytesseract．tesseract＿cmd ＝ r＇C：Program FilesTesseract－OCRtesseract．exe＇
注意：上面的命令將在系統配置中設置tesseract庫的路徑，如果路徑沒有根據系統配置設置，那么即使安裝了tesseract也會拋出錯誤。
在這里，我們將使用自定義配置從圖像中提取文本。
＃ Simply extracting text from image
custom＿config ＝ r＇－l eng －－oem 3 －－psm 6＇
text ＝ pytesseract．image＿to＿string（image，config＝custom＿config）
print（text）
輸出：
在自定義配置中，你可以看到＊＊“eng”表示英語，即它會識別英文字母，你還可以添加多種語言，“PSM”表示頁面分割＊＊，它設置了塊如何識別字符，“OEM”是默認配置。
現在，我們將通過用空字符串替換符號，從提取的文本中刪除不需要的符號
＃ Extracting text from image and removing irrelevant symbols from characters
try：
text＝pytesseract．image＿to＿string（image，lang＝＂eng＂）
characters＿to＿remove ＝ ＂！（）＠—＊“＞＋－／，＇｜?＃％＄＆＾＿～＂
new＿string ＝ text
for character in characters＿to＿remove：
new＿string ＝ new＿string．replace（character， ＂＂）
print（new＿string）
except IOError as e：
輸出：
在下面的單元格中，我們將圖像讀入OpenCV格式以進一步處理。當我們需要從復雜圖像中提取文本時，這是必需的。
現在我們將執行OpenCV操作以從復雜圖像中獲取文本。
image ＝ cv2．imread（＇sample．png＇） ＃ will read in the array format
輸出：
將圖像轉換為灰度圖像，使其處理起來不那么復雜，因為它只有 0 和 1 兩個值。這里我們使用cv2．cvtColor（）方法將彩色圖像轉換為灰度格式，而cv2．cvtColor 實際上可以幫助圖像的 150 色轉換。
灰度圖像
def get＿grayscale（image）：
return cv2．cvtColor（image， cv2．COLOR＿BGR2GRAY）
gray ＝ get＿grayscale（image）
Image．fromarray（gray）
輸出：
現在我們將模糊圖像，以便我們可以從圖像中去除噪聲。在這里，我們使用函數cv2．medianBlur（） 函數以減少圖像中的噪聲＊＊，＊＊模糊基本上是通過應用相關平滑濾波器來平滑圖像的技術，是圖像處理中廣泛使用的方法之一。
降噪
def remove＿noise（image）：
return cv2．medianBlur（image，5）
noise ＝ remove＿noise（gray）
Image．fromarray（gray）
輸出：
我們將在這里進行閾值變換。閾值適用于簡單的概念，即當像素值低于給定的閾值時，顏色為白色，否則像素顏色正好相反，即黑色。使用的函數是cv2．threshold。
閾值
def thresholding（image）：
＃ source image， grayscale image
return cv2．threshold（image， 0， 255， cv2．THRESH＿BINARY ＋
cv2．THRESH＿OTSU）［1］
thresh ＝ thresholding（gray）
Image．fromarray（thresh）
輸出：
這里我們正在做腐蝕變換。腐蝕變換是圖像變換中最基本、最重要的步驟之一。腐蝕變換通常會擬合圖像中缺失的形狀和格子，這有助于在圖像中稍微模糊或扭曲時識別字符。在這里，我們使用cv2 庫中的erode（）函數進行腐蝕轉換。
腐蝕
def erode（image）：
kernel ＝ np．ones（（5，5），np．uint8）
return cv2．erode（image， kernel， iterations ＝ 1）
erode ＝ erode（gray）
Image．fromarray（erode）
輸出：
在這里，我們將執行形態變換。形態變換是最適合二值圖像的技術之一，它根據圖像的像素值對圖像進行排序，而不是在考慮閾值的情況下對圖像的數值進行排序。
形態變換
def opening（image）：
kernel ＝ np．ones（（5，5），np．uint8）
return cv2．morphologyEx（image， cv2．MORPH＿OPEN， kernel）
opening ＝ opening（gray）
Image．fromarray（opening）
輸出：
在這里，我們試圖匹配圖像。當我們傳遞相同的圖像進行匹配時，我們得到了99．99％的相似度。這里，模板匹配是一種在較大的圖像中搜索和查找模板圖像的位置的方法。對于模板匹配，我們使用cv2 庫中的 match template（）函數。
模板匹配
def match＿template（image， template）：
return cv2．matchTemplate（image， template， cv2．TM＿CCOEFF＿NORMED）
match ＝ match＿template（gray， gray）
match
輸出：
array（［［1．］］， dtype＝float32）
現在我們將通過在文本周圍創建一個矩形來分隔文本中的每個字符。
＃ Drawing rectangle around text
img ＝ cv2．imread（＇sample．png＇）
h， w， c ＝ img．shape
boxes ＝ pytesseract．image＿to＿boxes（img）
for b in boxes．splitlines（）：
b ＝ b．split（＇ ＇）
img ＝ cv2．rectangle（img， （int（b［1］）， h － int（b［2］））， （int（b［3］）， h － int（b［4］））， （0， 255， 0）， 2）
Image．fromarray（img）
輸出：
最后，我們可以圍繞特定的圖案或單詞繪制矩形。
＃ Drawing pattern on specific pattern or word
img ＝ cv2．imread（＇sample．png＇）
d ＝ pytesseract．image＿to＿data（img， output＿type＝Output．DICT）
keys ＝ list（d．keys（））
date＿pattern ＝ ＇artificially＇
n＿boxes ＝ len（d［＇text＇］）
for i in range（n＿boxes）：
if float（d［＇conf＇］［i］） ＞ 60：
if re．match（date＿pattern， d［＇text＇］［i］）：
（x， y， w， h） ＝ （d［＇left＇］［i］， d［＇top＇］［i］， d［＇width＇］［i］， d［＇height＇］［i］）
img ＝ cv2．rectangle（img， （x， y）， （x ＋ w， y ＋ h）， （0， 255， 0）， 2）
Image．fromarray（img）
輸出：
結論
我們從學習如何安裝用于文本提取的 tesseract 開始。接下來，我們拍攝了一張圖像并從該圖像中提取了文本。我們了解到我們需要使用 OpenCV 的某些圖像轉換函數來從復雜圖像中提取文本。
尾注
希望你們會喜歡這個使用 Pytesseract逐步學習光學字符識別的方法。
原文標題 : 使用Pytesseract進行光學字符識別
分享
請輸入評論內容...
請輸入評論/評論長度6~500個字
