python集成Tesseract-OCR实现光学字符识别

Tesseract-ocr 简介

Tesseract是一个开源的OCR（Optical Character Recognition，光学字符识别）引擎，可以识别多种格式的图像文件并将其转换成文本，目前已支持60多种语言（包括中文）。 Tesseract最初由HP公司开发，后来由Google维护。

Tesseract-ocr 下载地址

大家可以根据自己的需求下载不同的版本，下载网址：https://digi.bib.uni-mannheim.de/tesseract/
，我这里下载的是win10 64位的：tesseract-ocr-w64-setup-v5.0.0.20190623.exe。

安装tesseract-ocr

双击tesseract-ocr-w64-setup-v5.0.0.20190623.exe运行即可安装，安装完成后将安装路径配置环境变量，我这里安装路径是在D盘，如下图所示：

环境变量配置好后，验证是否安装成功，直接cmd输入命令，结果输出如下表示安装OK：
tesseract -v

python环境中使用Tesseract-ocr

需要安装PIL包和Pillow包以及pytesseract模块，使用如下命令安装就好了,

pip install pillow  #一个python的图像处理库，pytesseract依赖
pip install pytesseract

Tesseract-ocr的使用

1.测试识别图test2.jpg纯数字，如下：

python代码如下，识别test2.jpg图中数字：

# 导入pytesseract库
import pytesseract
# 导入Image库
from PIL import Image

def OCR_demo():
    # 导入OCR安装路径
    pytesseract.pytesseract.tesseract_cmd = r"D:\Tesseract-OCR\tesseract.exe"
    # 打开要识别的图片
    image = Image.open('D:\share\\test2.jpg')
    # 使用pytesseract调用image_to_string方法进行识别，传入要识别的图片
    text = pytesseract.image_to_string(image)

    print(text)


if __name__ == '__main__':
    OCR_demo()

运行以上程序，输出结果如下：

可以看到识别效果还是很不错的，当然手写数字也一样可以识别，相对来说识别效果差一点而已，
2.测试a.png图片中的中文字符，图片如下：

将上述代码稍作修改即可，如下：

#只需要修改如下代码，增加lang='chi_sim_v3'属性值，选择要识别的语言为简体中文数据集
text = pytesseract.image_to_string(image,lang='chi_sim_v3')

程序运行结果如下：

可以看识别效果，识别率在90%以上，当然这里也有调优的余地，比如给图片做灰度，模糊，去燥，二值化等等，识别率会更好一些。