python Tesseract-OCR

OCR技术

OCR（Optical Character Recognition，光学字符识别）是指电子设备（例如扫描仪或数码相机）检查纸上打印的字符，通过检测暗，亮的模式确定其形状，然后用字符识别方法将形状翻译成计算机文字的过程，及针对印刷字体，采用光学的方式将纸质文档中的文字装换成黑白点阵的图像文件，并通过识别软件将图像中的文字转换成文本格式，供文字处理软件进一步编辑加工的技术。

在python中，支持ORC的模块有pytesser3和pyocr，其原理主要是通过模块功能调用OCR引擎识别图片，OCR引擎再将识别的结果返回到程序中，以pyocr为例介绍。在windows中安装pyocr可以在CMD下使用pip安装：

pip install pyocr

安装pyocr模块之后，还需要安装PIL模块，这是专门用于处理图片的模块，pyocr依赖该模块才能完成识别，pip安装如下：

pip install Pillow

完成pyocr和PIL模块的安装后，最后是OCR引擎的安装，图像识别主要由OCR引擎完成，pyocr只起到一个调用引擎的作用。

Tesseract-OCR是一个免费，开源的OCR引擎，读者可从网上自行搜索下载安装，在window系统中，OCR引擎（Tesseract-OCR）可通过.exe安装包安装。值得注意的是，在安装过程中有附加功能选项：

　　　　　　　　　　　　图1-1  OCR安装选项

 

　　　　图1-2 勾选数学公式常用包以及选择语言Chinese（simplified）

将Tesseract-OCR 安装目录加入环境变量：

　　　　　　　　　　图1-3 Tesseract-OCR加入环境变量

新建变量TESSDATA_PREFIX

　　图1-4 新建变量TESSDATA_PREFIX 值为Tesseract-OCR目录下的tessdata文件夹

完成上述安装后，就能在Python中使用pyocr实现OCR识别了，方法如下：

　　　　　　图1-5 待识别的图片test.png

 代码如下：

from PIL import Image
from pyocr import tesseract
# 使用PIL打开图片
import os

os.chdir("C://User//yao//Desktop")
# 改变当前工作目录

im=Image.open("test.png")
#OCR识别
code=tesseract.image_to_string(im)
print(code)

运行结果如下图所示：

　　　　　　　　　　　　　　　　　　　　　　　　图1-6 识别结果

在实际使用时，验证码图片不会是一张白底黑字的图片，往往会掺入很多干扰因素，这样会导致识别出来的结果与实际相差甚大，为了提高准确率，可以使用PIL模块对图片进行简单的处理。

不同的图片有不同的处理方法，其目的是提高OCR识别的准确率。除此之外，提高OCR准确率还可以对OCR引擎进行训练和学习。但两者已经属于人工智能的领域。