Tesseract Ocr文字识别

川长思鸟来 2023-10-17 21:11 24阅读 0赞

Tesseract的OCR引擎最先由HP实验室于1985年开始研发，至1995年时已经成为OCR业内最准确的三款识别引擎之一。2005年，Tesseract由美国内华达州信息技术研究所获得，并求诸于Google对Tesseract进行改进、消除Bug、优化工作。Tesseract目前已作为开源项目发布在Google Project.

运行环境：

> windows10 + python 3.6 + tesseract 4.0.0-beta.1

先看效果：

![172074-20180420232500317-1866617382.png][]

![172074-20180420232525684-1100592059.png][]

**一、安装python模块**

> pip3 install pytesseract

**二、安装tesseract orc**

下载地址：[https://github.com/UB-Mannheim/tesseract/wiki][https_github.com_UB-Mannheim_tesseract_wiki] 点击“tesseract-ocr-w64-setup-v4.0.0-beta.1.20180414.exe”下载安装。

注意：安装的时候选中中文包。

本人安装目录：C:\\Users\\Administrator\\AppData\\Local\\Tesseract-OCR

使用命令，查看版本号和支持语言：

> cd C:\\Users\\Administrator\\AppData\\Local\\Tesseract-OCR tesseract -v tesseract --list-langs　　\#查看Tesseract-OCR支持语言

**三、配置tesseract运行文件**

C:\\Python36\\Lib\\site-packages\\pytesseract\\pytesseract.py 找到文件：

> tesseract\_cmd = 'tesseract'

修改为：

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

**四、代码识别**

from PIL import Image
    import pytesseract
    
    path = "img\\text-img.png"
    
    text = pytesseract.image_to_string(Image.open(path), lang='chi_sim')
    print(text)

作为非常优秀的Ocr识别库，tesseract当然可以训练自己的数据模型，从而达到为我所用目的，后续文字会介绍如果训练自己的文字识别库。

[172074-20180420232500317-1866617382.png]: https://images2018.cnblogs.com/blog/172074/201804/172074-20180420232500317-1866617382.png
[172074-20180420232525684-1100592059.png]: https://images2018.cnblogs.com/blog/172074/201804/172074-20180420232525684-1100592059.png
[https_github.com_UB-Mannheim_tesseract_wiki]: https://github.com/UB-Mannheim/tesseract/wiki