概述

本文，我們將使用計算機視覺技術從圖像中提取文本。提取文本后，我們將在該文本上應用 OpenCV 的一些基本功能來增強它并獲得更準確的結果。這個項目將非常有用，因為它可以節省從圖像打字的時間和精力。

范圍

• 對于將從圖像中獲取文本的大型組織而言，此應用程序可能會節省時間。

• 它可以打開“無紙化文檔”的世界，這也有助于升級存儲。

• 它還可以幫助自動化過程，因為它可以從圖像本身中獲取文本。

我們將導入requests庫以獲取 git 文件和圖像的 URL 。

#import?requests?to?install?tesseract import?requests

注意：現在要下載 tesseract 文件，只需轉到我將在函數中作為參數提供的鏈接，但我只是提供另一種下載 tesseract 文件的方法。

#?Downloading?tesseract-ocr?file r?=?requests.get("https://raw.githubusercontent.com/tesseract-ocr/tessdata/4.00/ind.traineddata",?stream?=?True)

將數據寫入文件以避免路徑問題

with?open("ind.traineddata",?"wb")?as?file:??for?block?in?r.iter_content(chunk_size?=?1024):?if?block:??file.write(block)

我們現在將下載Pytesseract 庫運行所需的tesseract，并將文件保存在open() 函數的路徑中。

!pip?install?pytesseract

如果你想將其安裝在筆記本中，此命令將安裝 Pytesseract 模塊。

Requirement?already?satisfied:?pytesseract?in?c:programdataanaconda3libsite-packages?(0.3.8) Requirement?already?satisfied:?Pillow?in?c:programdataanaconda3libsite-packages?(from?pytesseract)?(8.0.1)

在這一步中，我們將安裝 OCR 所需的庫，我們還將導入 IPython 函數以清除不需要的函數。

安裝光學字符識別所需的庫

!?apt?install?tesseract-ocr?libtesseract-dev?libmagickwand-dev

導入 IPython 以清除不重要的輸出

from?IPython.display?import?HTML,?clear_output clear_output()

現在，我們將安裝Pytesseract 和 OpenCV庫，它們是我們文本識別的靈魂。

安裝Pytesseract 和 OpenCV

!?pip?install?pytesseract?wand?opencv-python clear_output()

導入所需的庫

#?Import?libraries from?PIL?import?Image import?pytesseract import?cv2 import?numpy?as?np from?pytesseract?import?Output import?re

在這一步中，我們將打開一個圖像調整其大小，然后再次保存以供進一步使用和可視化。

從URL讀取圖像

image?=?Image.open(requests.get('https://i.stack.imgur.com/pbIdS.png',?stream=True).raw) image?=?image.resize((300,150)) image.save('sample.png') image

輸出：

設置tesseract的路徑

pytesseract.pytesseract.tesseract_cmd?=?r'C:Program?FilesTesseract-OCRtesseract.exe'

注意：上面的命令將在系統配置中設置tesseract庫的路徑，如果路徑沒有根據系統配置設置，那么即使安裝了tesseract也會拋出錯誤。

在這里，我們將使用自定義配置從圖像中提取文本。

#?Simply?extracting?text?from?image custom_config?=?r'-l?eng?--oem?3?--psm?6'? text?=?pytesseract.image_to_string(image,config=custom_config) print(text)

輸出：

在自定義配置中，你可以看到**“eng”表示英語，即它會識別英文字母，你還可以添加多種語言，“PSM”表示頁面分割**，它設置了塊如何識別字符，“OEM”是默認配置。

現在，我們將通過用空字符串替換符號，從提取的文本中刪除不需要的符號。

#?Extracting?text?from?image?and?removing?irrelevant?symbols?from?characters try:text=pytesseract.image_to_string(image,lang="eng")characters_to_remove?=?"!()@—*“>+-/,'|￡#%$&^_~"new_string?=?textfor?character?in?characters_to_remove:new_string?=?new_string.replace(character,?"")print(new_string) except?IOError?as?e:

輸出：

在下面的單元格中，我們將圖像讀入OpenCV格式以進一步處理。當我們需要從復雜圖像中提取文本時，這是必需的。

現在我們將執行OpenCV操作以從復雜圖像中獲取文本。

image?=?cv2.imread('sample.png')?#?will?read?in?the?array?format

輸出：

將圖像轉換為灰度圖像，使其處理起來不那么復雜，因為它只有 0 和 1 兩個值。這里我們使用cv2.cvtColor()方法將彩色圖像轉換為灰度格式，而cv2.cvtColor 實際上可以幫助圖像的 150 色轉換。

灰度圖像

def?get_grayscale(image):return?cv2.cvtColor(image,?cv2.COLOR_BGR2GRAY) gray?=?get_grayscale(image) Image.fromarray(gray)

輸出：

現在我們將模糊圖像，以便我們可以從圖像中去除噪聲。在這里，我們使用函數cv2.medianBlur() 函數以減少圖像中的噪聲**，**模糊基本上是通過應用相關平滑濾波器來平滑圖像的技術，是圖像處理中廣泛使用的方法之一。

降噪

def?remove_noise(image):return?cv2.medianBlur(image,5) noise?=?remove_noise(gray) Image.fromarray(gray)

輸出：

我們將在這里進行閾值變換。閾值適用于簡單的概念，即當像素值低于給定的閾值時，顏色為白色，否則像素顏色正好相反，即黑色。使用的函數是cv2.threshold。

閾值

def?thresholding(image):#?source?image,??grayscale?imagereturn?cv2.threshold(image,?0,?255,?cv2.THRESH_BINARY?+?cv2.THRESH_OTSU)[1] thresh?=?thresholding(gray) Image.fromarray(thresh)

輸出：

這里我們正在做腐蝕變換。腐蝕變換是圖像變換中最基本、最重要的步驟之一。腐蝕變換通常會擬合圖像中缺失的形狀和格子，這有助于在圖像中稍微模糊或扭曲時識別字符。在這里，我們使用cv2 庫中的erode()函數進行腐蝕轉換。

腐蝕

def?erode(image):kernel?=?np.ones((5,5),np.uint8)return?cv2.erode(image,?kernel,?iterations?=?1) erode?=?erode(gray) Image.fromarray(erode)

輸出：

在這里，我們將執行形態變換。形態變換是最適合二值圖像的技術之一，它根據圖像的像素值對圖像進行排序，而不是在考慮閾值的情況下對圖像的數值進行排序。

形態變換

def?opening(image):kernel?=?np.ones((5,5),np.uint8)return?cv2.morphologyEx(image,?cv2.MORPH_OPEN,?kernel) opening?=?opening(gray) Image.fromarray(opening)

輸出：

在這里，我們試圖匹配圖像。當我們傳遞相同的圖像進行匹配時，我們得到了99.99%的相似度。這里，模板匹配是一種在較大的圖像中搜索和查找模板圖像的位置的方法。對于模板匹配，我們使用cv2 庫中的 match template()函數。

模板匹配

def?match_template(image,?template):return?cv2.matchTemplate(image,?template,?cv2.TM_CCOEFF_NORMED) match?=?match_template(gray,?gray) match

輸出：

array([[1.]],?dtype=float32)

現在我們將通過在文本周圍創建一個矩形來分隔文本中的每個字符。

#?Drawing?rectangle?around?text img?=?cv2.imread('sample.png') h,?w,?c?=?img.shape boxes?=?pytesseract.image_to_boxes(img)? for?b?in?boxes.splitlines():b?=?b.split('?')img?=?cv2.rectangle(img,?(int(b[1]),?h?-?int(b[2])),?(int(b[3]),?h?-?int(b[4])),?(0,?255,?0),?2) Image.fromarray(img)

輸出：

最后，我們可以圍繞特定的圖案或單詞繪制矩形。

#?Drawing?pattern?on?specific?pattern?or?word img?=?cv2.imread('sample.png') d?=?pytesseract.image_to_data(img,?output_type=Output.DICT) keys?=?list(d.keys())date_pattern?=?'artificially'n_boxes?=?len(d['text']) for?i?in?range(n_boxes):if?float(d['conf'][i])?>?60:if?re.match(date_pattern,?d['text'][i]):(x,?y,?w,?h)?=?(d['left'][i],?d['top'][i],?d['width'][i],?d['height'][i])img?=?cv2.rectangle(img,?(x,?y),?(x?+?w,?y?+?h),?(0,?255,?0),?2) Image.fromarray(img)

輸出：

結論

我們從學習如何安裝用于文本提取的 tesseract 開始。接下來，我們拍攝了一張圖像并從該圖像中提取了文本。我們了解到我們需要使用 OpenCV 的某些圖像轉換函數來從復雜圖像中提取文本。

尾注

希望你們會喜歡這個使用 Pytesseract逐步學習光學字符識別的方法。這是 repo 鏈接：https://github.com/Aman-Preet-Singh-Gulati/Text-recognition-pytesseract

☆ END ☆

如果看到這里，說明你喜歡這篇文章，請轉發、點贊。微信搜索「uncle_pn」，歡迎添加小編微信「 woshicver」，每日朋友圈更新一篇高質量博文。

↓掃描二維碼添加小編↓

總結

以上是生活随笔為你收集整理的使用 Pytesseract 进行光学字符识别的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。