python Ocr识别

软件安装

• 这里我使用pytesseract
• 可以通过pip安装，python环境建议使用Anaconda

识别的一般步骤

• 读取文件
• 文件转换为numpy数组
• 调用pytesseract的image_to_string函数
• 具体代码如下

from PIL import Image
import pytesseract
import numpy as np
import sys

filename = sys.argv[1]
img1 = np.array(Image.open(filename))
text = pytesseract.image_to_string(img1)
print(text)

问题

• 默认的是识别英语，无法识别汉字，对英文数字识别较准。
• 要进一步提高识别的效果，可以对图片进行转化，例如二值化等。
• 具体参考：https://tesseract-ocr.github.io/tessdoc/ImproveQuality.html

汉字支持

• 下载chi_sim.traineddata 复制到 /usr/local/share/tessdata/ 中
• 汉字识别代码

img1 = np.array(Image.open(filename))
text = pytesseract.image_to_string(img1,lang = "chi_sim")
print(text)

paddle-ocr

• 使用百度paddle框架训练的ocr识别模型
• 支持英文、中文、韩语、法语等语言

安装

 ## https://pypi.org/project/paddleocr/
pip install "paddleocr>=2.0.1" # Recommend to use version 2.0.1+
## 同时需要安装paddle
pip install paddlepaddle

识别代码

• 可以看到识别的结果及其概率

from paddleocr import PaddleOCR
import sys
# Paddleocr supports Chinese, English, French, German, Korean and Japanese.
# You can set the parameter `lang` as `ch`, `en`, `french`, `german`, `korean`, `japan`
# to switch the language model in order.
ocr = PaddleOCR(use_angle_cls=True, lang='ch') # need to run only once to download and load model into memory

img_path = sys.argv[1:]
result = ocr.ocr(img_path, cls=True)
for line in result:
    print(line)

参考

• 这里的博客:https://towardsdatascience.com/build-optical-character-recognition-ocr-in-python-28d1c7b77da3
• paddle-ocr安装: https://pypi.org/project/paddleocr/
• 提高图片质量: https://tesseract-ocr.github.io/tessdoc/ImproveQuality.html