您好,登录后才能下订单哦!
这篇文章主要介绍怎么使用Python进行OCR识别图片中的文字,文中介绍的非常详细,具有一定的参考价值,感兴趣的小伙伴们一定要看完!
OCR1,全称Optical character recognition,或者optical character reader,中文译名叫做光学文字识别。它是把图像文件中的手写文本,打印文本转换为机器编码文本的一种方法。
OCR技术广泛用于识别打印纸张中的文字数据 -- 比如护照,支票,银行声明,收据,统计表单,邮件等。OCR的早期版本,需要对图片中的每个文字都进行训练,一次只能作用于一种字体。高级的版本增加了很大的识别率,可以同时识别现在很多流行的字体,支持不同种类格式的图片文件。一些系统可以生成接近于原来图片格式的输出,包括图片,排版,以及其它非文本组件,这也叫做版面还原。
现在最出名,最常用的OCR就是谷歌的tesseract OCR engine2。最新的版本是Tesseract4。Tesseract的主要开发者是Ray Smith4.
Tesseract支持unicode(UTF-8),安装后即可识别超过100种语言。
Tesseract支持不同的输出可是:普通文本,hOCR(html),PDF,TSV,invisible-text-only PDF。在master分支,还试验性地支持ALTO(XML)格式。
请记住,在大多数情况下,为了获得更好的OCR结果,你需要为提供给Tesseract的图片提升质量4.
Tesseract可以通过训练来识别其它语言和其它字体5.
另外,有很多第三方的Tesseract GUI应用。可以直接下载使用6。
Python-tesseract7(pytesseract)是Google Tesseract ORC引擎的封装。首次commit的2014年。用这个库,可以很方便地编写脚本,可以用它来识别所有可以由PIL识别的图片格式,包括jpeg, png, gif, bmp, tiff等, 而tesseract-orc本来只支持tiff和bmp两种格式。
如果在脚本中使用,识别的文本可以输出为Python字符串,而不是直接输出到文件中。
另外,这个代码库只有一个文件,400行代码。如果有任何疑问,可以直接翻看源代码。
tesserocr8也是一个TesseractOCR的封装库。它的首次commit是2015年。
这个库相对于pytesseract的优势在于9,这个库是使用Cython来直接调用Tesseract的C++ API。使用它和threading模块来处理图片,可以释放GIL,达到正常的并发执行。
1.Wiki: OCR
2.Github: tesseract OCR engine
3.Tesseract作者 Ray Smith,美国计算机科学家,计算机图形学的先驱. 他的中文名字叫做匠白光. ↩
4.Wiki: 为Tesseract提升图片质量
5.Wiki: 训练Tesseract
6.Tesseract第三方GUI应用列表
7.Github: Python-tesseract
8.Github: tesserocr
9.Hacknews: 关于pytesseract, tesserocr的区别
以上是“怎么使用Python进行OCR识别图片中的文字”这篇文章的所有内容,感谢各位的阅读!希望分享的内容对大家有帮助,更多相关知识,欢迎关注亿速云行业资讯频道!
免责声明:本站发布的内容(图片、视频和文字)以原创、转载和分享为主,文章观点不代表本网站立场,如果涉及侵权请联系站长邮箱:is@yisu.com进行举报,并提供相关证据,一经查实,将立刻删除涉嫌侵权内容。