python影像識別

python影像識別一般基礎到的就是tesseract了，在爬蟲中處理驗證碼廣泛使用。

安裝

安裝教程網上大都差不多，Windows下確實比較麻煩，涉及到各種路徑、環境變數甚至與linux不同的路徑分隔符，所以這裡的安裝是基於__Centos7__。

1. 依賴安裝

yum install -y automake autoconf libtool gcc gcc-c++

2. 安裝leptonica

Leptonica主要用於影像處理和影像分析

• 原則上所有的庫檔案都是可以直接用yum安裝的，如果想要具體的某個版本，可以前往官方源下載對應版本然後按照對應方式編譯

wget 
tar -zxvf leptonica-1.74.4.tar.gz
cd leptonica-1.74.4/
 ./configure
make && make install

3. 安裝tesseract
其他可以在這裡下載並自行編譯，也提供直接使用的檔案。

yum install tesseract

4. 驗證安裝

tesseract --version

5. 語言包下載
前往下載相應的語言包,然後將之移動到tessdata目錄下，可以用whereis tesseract檢視一下具體的目錄，我的是/usr/share/tesseract/tessdata/

mv *.traineddata /usr/local/share/tessdata/

6. 檢視目前已下載的語言

tesseract --list-langs

使用

# tesseract
Usage:
  tesseract --help | --help-psm | --help-oem | --version
  tesseract --list-langs [--tessdata-dir PATH]
  tesseract --print-parameters [options...] [configfile...]
  tesseract imagename|stdin outputbase|stdout [options...] [configfile...]

OCR options:
  --tessdata-dir PATH   Specify the location of tessdata path.
  --user-words PATH     Specify the location of user words file.
  --user-patterns PATH  Specify the location of user patterns file.
  -l LANG[+LANG]        Specify language(s) used for OCR.
  -c VAR=VALUE          Set value for config variables.
                        Multiple -c arguments are allowed.
  --psm NUM             Specify page segmentation mode.
  --oem NUM             Specify OCR Engine mode.
NOTE: These options must occur before any configfile.

語法

tesseract imagename outputbase [-l lang] [-psm pagesegmode] [configfile...]

• imagename：圖片名字
• outputbase：指定輸出，如果希望直接輸出而不是儲存到檔案，那麼就使用 stdout，否則這個引數將會作為儲存結果的檔案的字首
• -l指定語言檔案，預設使用英文
• tesseract --print-parameters：檢視更多引數資訊
• 使用-c指定單項引數的值或者將配置寫入配置檔案放在命令最後(支援多個配置檔案)
• psm 識別影像的方式

0：定向指令碼監測（OSD）
1： 使用OSD自動分頁
2 ：自動分頁，但是不使用OSD或OCR（Optical Character Recognition，光學字元識別）
3 ：全自動分頁，但是沒有使用OSD（預設）
4 ：假設可變大小的一個文字列。
5 ：假設垂直對齊文字的單個統一塊。
6 ：假設一個統一的文字塊。
7 ：將影像視為單個文字行。
8 ：將影像視為單個詞。
9 ：將影像視為圓中的單個詞。
10 ：將影像視為單個字元。

python中使用

Tesseract安裝完成後可以很方便的被Python呼叫，但是需要pillow和pytesseract的支援。

python中轉換

image_to_data(image, lang=None, config='', nice=0, output_type=Output.STRING)

• image Object，由Tesseract處理的影像的PIL Image/NumPy陣列
• lang String，Tesseract語言程式碼字串
• config String，任何其他配置字串，例如：config=’–psm 6’
• 語言檔案可以疊加，用“+”隔開
• 我們也可以在這裡進行tessdata路徑的設定，跟在config裡面即可
• 更多配置包括config和psm都和tesseract類似

例項：

流程： 開啟圖片，配置，轉換，可以透過Image的open或者cv2的imread開啟圖片，之後對圖片進行對比度增強，降噪等處理，效果會好一些。

from PIL import Image
import pytesseract

class Languages:
    CHS = 'chi_sim'
    ENG = 'eng'

def img_to_str(image_path, lang=Languages.ENG):
    return pytesseract.image_to_string(Image.open(image_path), lang)

print(img_to_str('pic/numu.png', lang=Languages.ENG))
print(img_to_str('pic/pro.png', lang=Languages.ENG))

總結

1. 簡單的文字識別效果還是不錯的，但是設計到多空行、符號等，識別效果就不是太好了，準確度方面可以透過對字型檔的訓練達到想要的效果，之後對獲取到的文字利用諸如re等各種庫進行操作，其實應用還蠻廣泛的。2. 但是它在驗證碼方面的話效果還是不錯的，驗證碼的話tesserocr也是比較方面的.
2. 識別中文可能會出現編碼錯誤，這也是識別上的漏洞之一了，網上大佬們所說的改變文字的編碼似乎並不能解決問題，所以對長文字圖片處理還是不太建議直接轉換。
3. 圖文處理也可以借鑑一些各平臺的API，百度、騰訊、美團都有支援.