Python中利用Tesseract软件来识别图片中的英文与中文，,OCR与Tesser

OCR与Tesseract介绍  

　　将图片翻译成文字一般被称为光学文字识别（Optical Character Recognition，OCR）。可以实现OCR 的底层库并不多，目前很多库都是使用共同的几个底层OCR 库，或者是在上面进行定制。
　　Tesseract 是一个OCR 库，目前由Google 赞助（Google 也是一家以OCR 和机器学习技术闻名于世的公司）。Tesseract 是目前公认最优秀、最精确的开源OCR 系统。
　　除了极高的精确度，Tesseract 也具有很高的灵活性。它可以通过训练识别出任何字体（只要这些字体的风格保持不变就可以），也可以识别出任何Unicode 字符。

Tesseract的安装与使用  

　　Tesseract的Windows安装包下载地址为： http://digi.bib.uni-mannheim.de/tesseract/tesseract-ocr-setup-4.00.00dev.exe ，下载后双击直接安装即可。安装完后，需要将Tesseract添加到系统变量中。在CMD中输入tesseract -v, 如显示以下界面，则表示Tesseract安装完成且添加到系统变量中。

　　识别简体中文，需要事先安装简体中文语言包，下载地址为：https://github.com/tesseract-ocr/tessdata/find/master/chi_sim.traineddata ,再讲chi_sim.traineddata放在C:\Program Files (x86)\Tesseract-OCR\tessdata目录下。

Python图像处理之图片验证码识别

　　利用Tesseract软件来识别图片中的英文与中文，本文将具体介绍如何在Python中利用Tesseract软件来识别验证码（数字加字母）。

　　本文将具体介绍如何利用Python的图像处理模块pillow和OCR模块pytesseract来识别上述验证码（数字加字母）。
  　　我们识别上述验证码的算法过程如下：

将原图像进行灰度处理，转化为灰度图像；获取图片中像素点数量最多的像素（此为图片背景），将该像素作为阈值进行二值化处理，将灰度图像转化为黑白图像（用来提高识别的准确率）；去掉黑白图像中的噪声，噪声定义为：以该点为中心的九宫格的黑点的数量小于等于4；利用pytesseract模块识别，去掉识别结果中的特殊字符，获得识别结果。

  完整的Python代码如下：

import osimport pytesseractfrom PIL import Imagefrom collections import defaultdict# tesseract.exe所在的文件路径pytesseract.pytesseract.tesseract_cmd = ‘C://Program Files (x86)/Tesseract-OCR/tesseract.exe‘# 获取图片中像素点数量最多的像素def get_threshold(image):    pixel_dict = defaultdict(int)    # 像素及该像素出现次数的字典    rows, cols = image.size    for i in range(rows):        for j in range(cols):            pixel = image.getpixel((i, j))            pixel_dict[pixel] += 1    count_max = max(pixel_dict.values())  # 获取像素出现出多的次数    pixel_dict_reverse = {v: k for k, v in pixel_dict.items()}    threshold = pixel_dict_reverse[count_max]  # 获取出现次数最多的像素点    return threshold# 按照阈值进行二值化处理# threshold: 像素阈值def get_bin_table(threshold):    # 获取灰度转二值的映射table    table = []    for i in range(256):        rate = 0.1  # 在threshold的适当范围内进行处理        if threshold * (1 - rate) <= i <= threshold * (1 + rate):            table.append(1)        else:            table.append(0)    return table# 去掉二值化处理后的图片中的噪声点def cut_noise(image):    rows, cols = image.size  # 图片的宽度和高度    change_pos = []  # 记录噪声点位置    # 遍历图片中的每个点，除掉边缘    for i in range(1, rows - 1):        for j in range(1, cols - 1):            # pixel_set用来记录该店附近的黑色像素的数量            pixel_set = []            # 取该点的邻域为以该点为中心的九宫格            for m in range(i - 1, i + 2):                for n in range(j - 1, j + 2):                    if image.getpixel((m, n)) != 1:  # 1为白色,0位黑色                        pixel_set.append(image.getpixel((m, n)))            # 如果该位置的九宫内的黑色数量小于等于4，则判断为噪声            if len(pixel_set) <= 4:                change_pos.append((i, j))    # 对相应位置进行像素修改，将噪声处的像素置为1（白色）    for pos in change_pos:        image.putpixel(pos, 1)    return image  # 返回修改后的图片# 识别图片中的数字加字母# 传入参数为图片路径，返回结果为：识别结果def OCR_lmj(img_path):    image = Image.open(img_path)  # 打开图片文件    imgry = image.convert(‘L‘)  # 转化为灰度图    # 获取图片中的出现次数最多的像素，即为该图片的背景    max_pixel = get_threshold(imgry)    # 将图片进行二值化处理    table = get_bin_table(threshold=max_pixel)    out = imgry.point(table, ‘1‘)    # 去掉图片中的噪声（孤立点）    out = cut_noise(out)    # 保存图片    # out.save(‘E://figures/img_gray.jpg‘)    # 仅识别图片中的数字    # text = pytesseract.image_to_string(out, config=‘digits‘)    # 识别图片中的数字和字母    text = pytesseract.image_to_string(out)    # 去掉识别结果中的特殊字符    exclude_char_list = ‘ .:\\|\‘\"?![],()[email protected]#$%^&*_+-={};<>/¥‘    text = ‘‘.join([x for x in text if x not in exclude_char_list])    # print(text)    return textdef main():    # 识别指定文件目录下的图片    # 图片存放目录figures    dir = ‘E://figures‘    correct_count = 0  # 图片总数    total_count = 0  # 识别正确的图片数量    # 遍历figures下的png,jpg文件    for file in os.listdir(dir):        if file.endswith(‘.png‘) or file.endswith(‘.jpg‘):            # print(file)            image_path = ‘%s/%s‘ % (dir, file)  # 图片路径            answer = file.split(‘.‘)[0]  # 图片名称，即图片中的正确文字            recognizition = OCR_lmj(image_path)  # 图片识别的文字结果            print((answer, recognizition))            if recognizition == answer:  # 如果识别结果正确，则total_count加1                correct_count += 1            total_count += 1    print(‘Total count: %d, correct: %d.‘ % (total_count, correct_count))    ‘‘‘    # 单张图片识别    image_path = ‘E://figures/code .jpg‘    OCR_lmj(image_path)    ‘‘‘if __name__:    main()

运行结果如下：

Python中利用Tesseract软件来识别图片中的英文与中文