Python受欢迎的原因之一就是其计算生态丰富，据不完全统计，Python 目前为止有约13万+的第三方库。
本系列将会陆续整理分享一些有趣、有用的第三方库。
-
通过百度网盘获取：
链接：https://pan.baidu.com/s/1FSGLd7aI_UQlCQuovVHc_Q?pwd=mnsj提取码：mnsj
-
前往GitHub获取：
https://github.com/returu/Python_Ecosystem-
安装：
https://github.com/tesseract-ocr/tesseractpip install pytesseract-
语言包：
pytesseract.get_languages()如果要识别更多语言，需要下载并安装相应的语言包：
-
下载语言包：
https://github.com/tesseract-ocr/tessdata-
安装语言包：
pytesseract库提供了多个函数来实现不同的OCR功能，以下是一些主要的函数：
-
image_to_string()——从图像中提取文本：
image_to_string()函数是pytesseract库中最常用的函数之一，它用于将图像中的文本转换为字符串，其基本语法如下：
image_to_string(image, lang=None)以下是该函数的一些主要参数：
-
image：必需参数，要进行字符识别的图像。可以是PIL Image对象、NumPy数组或者是图像文件的路径。如果传递的是对象而不是文件路径，pytesseract会隐式地将图像转换为RGB模式。 -
lang：可选参数，指定要使用的语言模型的语言标识符。这确定了Tesseract将使用哪种语言的字符识别模型。例如，‘eng’表示英语，‘chi_sim’表示中文简体等。默认情况下，它使用英语模型。可以根据需要设置多个语言，以提高识别准确性。
以下是一个简单的使用示例：
# 打开图像文件
image = Image.open('./data/test_1.jpg')
# 进行文字识别
# 如果需要识别特定语言，可以通过 lang 参数指定语言代码
text = pytesseract.image_to_string(image,lang='chi_sim')
print(text)
另外，可以传入包含多个图像文件路径列表的txt文件进行批处理：
# 打开图像文件
image_txt = './data/images.txt'
# 进行文字识别
text = pytesseract.image_to_string(image_txt,lang='chi_sim')
print(text)
-
image_to_boxes()——返回包含识别字符及其边界框的结果：
# 打开图像文件
image = Image.open('./data/test_1.jpg')
# 进行文字识别
boxes = pytesseract.image_to_boxes(image,lang='chi_sim')
print(boxes)
-
image_to_data()——返回包含方格边界、confidences 和其他信息的结果。：
image_to_data()函数提供了更详细的输出，包括每个识别到的文字的坐标位置、置信度等信息，其基本语法如下：
image_to_data(image, lang=None, config='',nice=0, output_type=Output.STRING,timeout=0, pandas_config=None)
以下是该函数的一些主要参数：
-
image：必需参数，要进行字符识别的图像。可以是PIL Image对象、NumPy数组或者是图像文件的路径。如果传递的是对象而不是文件路径，pytesseract会隐式地将图像转换为RGB模式。 -
lang：可选参数，指定要使用的语言模型的语言标识符。这确定了Tesseract将使用哪种语言的字符识别模型。例如，‘eng’表示英语，‘chi_sim’表示中文简体等。默认情况下，它使用英语模型。可以根据需要设置多个语言，以提高识别准确性。 -
config：可选参数，一个字符串，用于指定Tesseract的其他配置选项。你可以在这里设置各种Tesseract参数，如图像处理参数、OEM（OCR引擎模式）参数等。例如，–psm 6表示使用页面分段模式6。配置选项可以根据你的需求进行自定义。 -
nice：可选参数，修改Tesseract运行的处理器优先级。该参数在Windows系统上不支持。它调整了类Unix系统进程的优先级。 -
output_type：可选参数，指定输出的数据类型。该参数支持以下几种选项：STRING（默认的输出类型，返回识别结果的字符串形式）、BYTES（返回识别结果的字节形式）、DICT（返回一个包含识别结果详细信息的字典，其中包含边界框、置信度等信息）、DATAFRAME（返回一个Pandas DataFrame对象，其中包含识别结果的详细信息），默认值是pytesseract.Output.STRING。 -
timeout：可选参数，OCR处理的持续时间（以秒为单位），在此之后，pytesseract将终止并可能引发RuntimeError。
以下是一个简单的使用示例：
# 打开图像文件
image = Image.open('./data/test_1.jpg')
# 进行文字识别
data = pytesseract.image_to_data(image,lang='chi_sim' , output_type=pytesseract.Output.DATAFRAME)
print(data)
返回结果为一个Pandas DataFrame对象，其中包含识别结果的详细信息：
如果原始图像中存在噪声或文字排版不规则的情况，会显著影响识别准确性。为了提升 OCR 的识别效果，通常需要对图像进行预处理，以消除噪声、增强文字对比度、规范化排版等。OpenCV 和 PIL（Pillow）是两种常用的图像处理库，它们提供了丰富的工具来进行图像预处理。
以下是一些使用 OpenCV 或 PIL 进行图像预处理以提升 OCR 准确性的常见方法：
-
1. 灰度化：
将彩色图像转换为灰度图像可以简化处理过程，因为 OCR 通常只需要关注文字的形状和位置，而不需要颜色信息。
OpenCV：使用 cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)。
PIL：使用 image.convert(‘L’)。
-
2. 二值化：
将灰度图像转换为二值图像（仅包含黑白两种颜色），这有助于更好地分离文字和背景。
OpenCV：可以使用 cv2.threshold() 或自适应阈值方法 cv2.adaptiveThreshold()。
-
3. 噪声消除：
使用滤波器（如高斯滤波器、中值滤波器等）来平滑图像，减少噪声。
OpenCV：cv2.GaussianBlur() 或 cv2.medianBlur()。
PIL：可以使用 ImageFilter 模块中的滤波器。
以下是一个简单的使用示例：
import cv2
# 加载图像
image = cv2.imread('./data/test_1.jpg')
# 转为灰度图
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
# 二值化
_, binary = cv2.threshold(gray, 128, 255, cv2.THRESH_BINARY)
# 保存处理后的图像并提取文本
cv2.imwrite("./data/processed_image.jpg", binary)
# 对预处理后的图像文件进行文本识别
text = pytesseract.image_to_string(binary,lang='chi_sim')
print(text)
更多内容，可以前往官方GitHub页面查看：
https://github.com/madmaze/pytesseract
本篇文章来源于微信公众号: 码农设计师
