OCR--基于 Tesseract 详细教程（Python）

光学字符识别（OCR）技术是从图像中提取文本的核心工具。Tesseract 是一个强大的开源 OCR 引擎，可以轻松与 Python 结合使用，用于文本识别。本文将介绍 Tesseract 的安装、Python 接口 pytesseract 的使用，以及如何进行基本的图像预处理以提高 OCR 准确性。

一、Tesseract 简介

1. 什么是 Tesseract？

Tesseract 是由 Google 维护的开源 OCR 引擎，支持多种语言的文本识别。它具有高识别率和多功能性，特别适合处理扫描文档和图片中的文本。

2. Tesseract 的主要功能

支持多语言文字识别（中文、英文、日文等）。
能够处理复杂的图片（如噪声、旋转、低分辨率）。
支持自定义训练数据，适配特殊字体。

二、安装 Tesseract

1. 安装 Tesseract

根据操作系统，执行以下安装命令：

Windows:

前往 Tesseract Releases 下载最新版本。
安装时记住安装路径（如：C:\Program Files\Tesseract-OCR）。

MacOS:
使用 Homebrew 安装：

brew install tesseract

Linux:
使用包管理工具安装：

sudo apt update
sudo apt install tesseract-ocr

2. 安装 Python 库 pytesseract

使用 pip 安装：

pip install pytesseract
pip install Pillow  # 图像处理库

三、快速上手：用 pytesseract 识别文本

以下是一个简单的示例代码，用于读取图片中的文本：

from PIL import Image
import pytesseract

# 指定 Tesseract 可执行文件路径（Windows 环境需要）
pytesseract.pytesseract.tesseract_cmd = r'C:\Program Files\Tesseract-OCR\tesseract.exe'

# 打开图片
image = Image.open('sample_image.png')

# 使用 pytesseract 进行 OCR
text = pytesseract.image_to_string(image, lang='eng')
print("识别的文本：")
print(text)

输出结果：

如果 sample_image.png 包含文本 Hello World!，运行结果将是：

识别的文本：
Hello World!

四、Tesseract 的核心功能详解

1. 语言选择

Tesseract 支持多种语言，可以通过 lang 参数指定：

text = pytesseract.image_to_string(image, lang='chi_sim')  # 简体中文

需要下载语言包，例如简体中文：

sudo apt install tesseract-ocr-chi-sim  # Linux

2. 识别图片中的表格和布局

Tesseract 支持布局分析，可识别复杂文档：

text = pytesseract.image_to_string(image, config='--psm 6')

--psm 参数定义页面分割模式，常用值：
- 3：自动检测页面布局。
- 6：假设是单个统一的块。
- 11：稀疏文本。

3. 提取特定区域的文字

通过 image.crop() 裁剪图片，提取指定区域文字：

box = (50, 50, 200, 200)  # (left, upper, right, lower)
cropped_image = image.crop(box)
text = pytesseract.image_to_string(cropped_image, lang='eng')
print(text)

五、提高 OCR 准确性的图像预处理

高质量的图像预处理是提高 OCR 准确性的关键，以下是一些常用技巧：

1. 转为灰度图像

将图片转换为灰度，减少干扰：

gray_image = image.convert('L')  # 转为灰度
gray_image.show()

2. 二值化处理

通过阈值分割，增强文字与背景的对比度：

import cv2
import numpy as np

# 使用 OpenCV 读取图片
image = cv2.imread('sample_image.png', cv2.IMREAD_GRAYSCALE)

# 二值化
_, binary_image = cv2.threshold(image, 127, 255, cv2.THRESH_BINARY)
cv2.imwrite('binary_image.png', binary_image)

3. 噪声去除

通过高斯模糊去除噪声：

blurred_image = cv2.GaussianBlur(image, (5, 5), 0)
cv2.imwrite('blurred_image.png', blurred_image)

4. 图像旋转矫正

如果文字倾斜，可以使用 Hough 变换或轮廓检测进行矫正：

import cv2

# 自动旋转矫正
def rotate_image(image):
    coords = np.column_stack(np.where(image > 0))
    angle = cv2.minAreaRect(coords)[-1]
    if angle < -45:
        angle = -(90 + angle)
    else:
        angle = -angle
    (h, w) = image.shape[:2]
    center = (w // 2, h // 2)
    matrix = cv2.getRotationMatrix2D(center, angle, 1.0)
    rotated = cv2.warpAffine(image, matrix, (w, h), flags=cv2.INTER_CUBIC, borderMode=cv2.BORDER_REPLICATE)
    return rotated

rotated_image = rotate_image(binary_image)
cv2.imwrite('rotated_image.png', rotated_image)

六、完整项目示例

以下是一个完整的示例，包含从图像读取、预处理到 OCR 的全流程：

from PIL import Image
import pytesseract
import cv2
import numpy as np

# 配置 Tesseract 路径
pytesseract.pytesseract.tesseract_cmd = r'C:\Program Files\Tesseract-OCR\tesseract.exe'

# 读取图片
image_path = 'sample_image.png'
image = cv2.imread(image_path, cv2.IMREAD_GRAYSCALE)

# 图像预处理：二值化
_, binary_image = cv2.threshold(image, 127, 255, cv2.THRESH_BINARY)

# 保存预处理后的图片
cv2.imwrite('processed_image.png', binary_image)

# OCR 识别
processed_image = Image.open('processed_image.png')
text = pytesseract.image_to_string(processed_image, lang='eng')
print("识别结果：")
print(text)

示例结果：

对于输入图像：

运行结果：

识别结果：
Sample Image

七、常见问题与解决方法

问题：识别不准确
- 解决方法：提高图片质量，尝试灰度化、二值化、去噪等预处理。
问题：不支持中文
- 解决方法：确保安装了中文语言包，并在代码中指定 lang='chi_sim'。
问题：Tesseract 未找到
- 解决方法：确保配置了 pytesseract.pytesseract.tesseract_cmd。

八、总结

通过本文，你了解了 Tesseract 的基础功能、Python 接口 pytesseract 的使用方法，以及如何通过图像预处理提高 OCR 准确性。Tesseract 是一个强大的工具，可以广泛应用于文本识别、文档数字化等场景。

结合代码实践和项目应用，你可以更加高效地利用 OCR 技术解决实际问题！

OCR--基于Tesseract详细教程（python）