Tesseract Ocr文字識別

王磊的部落格發表於2018-04-20

Tesseract的OCR引擎最先由HP實驗室於1985年開始研發，至1995年時已經成為OCR業內最準確的三款識別引擎之一。2005年，Tesseract由美國內華達州資訊科技研究所獲得，並求諸於Google對Tesseract進行改進、消除Bug、優化工作。Tesseract目前已作為開源專案釋出在Google Project.

執行環境：

windows10 + python 3.6 + tesseract 4.0.0-beta.1

先看效果： 

一、安裝python模組

pip3 install pytesseract

二、安裝tesseract orc

下載地址：https://github.com/UB-Mannheim/tesseract/wiki 點選“tesseract-ocr-w64-setup-v4.0.0-beta.1.20180414.exe”下載安裝。

注意：安裝的時候選中中文包。

本人安裝目錄：C:\Users\Administrator\AppData\Local\Tesseract-OCR

使用命令，檢視版本號和支援語言：

cd C:\Users\Administrator\AppData\Local\Tesseract-OCR tesseract -v tesseract --list-langs　　#檢視Tesseract-OCR支援語言

三、配置tesseract執行檔案

C:\Python36\Lib\site-packages\pytesseract\pytesseract.py 找到檔案：

tesseract_cmd = 'tesseract'

修改為：

tesseract_cmd = 'C:/Program Files (x86)/Tesseract-OCR/tesseract.exe'

四、程式碼識別

from PIL import Image
import pytesseract

path = "img\\text-img.png"

text = pytesseract.image_to_string(Image.open(path), lang='chi_sim')
print(text)

作為非常優秀的Ocr識別庫，tesseract當然可以訓練自己的資料模型，從而達到為我所用目的，後續文字會介紹如果訓練自己的文字識別庫。

 

相關文章