CentOS 7下Python调用Tesseract实现图像文字识别完整指南

前言

在Python图像识别领域，Tesseract是最基础且广泛使用的工具之一，尤其在爬虫项目中处理验证码时应用频繁。

安装

网络上的安装教程大同小异，但在Windows系统中配置往往较为繁琐，涉及复杂的路径设置、环境变量配置以及不同于Linux的路径分隔符处理。因此，本教程基于CentOS 7系统进行讲解。

1. 依赖安装

yum install -y automake autoconf libtool gcc gcc-c++

2. 安装leptonica

Leptonica库主要用于图像的预处理和分析操作。

原则上，大多数库文件可以通过yum直接安装。若需获取特定版本，可前往官方源下载对应版本并按需编译安装。

wget http://www.leptonica.org/source/leptonica-1.74.4.tar.gz
tar -zxvf leptonica-1.74.4.tar.gz
cd leptonica-1.74.4/
./configure
make && make install

3. 安装tesseract

其他各版本可在官方渠道下载并自行编译，同时也提供可直接使用的文件。

yum install tesseract

4. 验证安装

tesseract --version

5. 语言包下载

前往tesseract-ocr/tessdata仓库下载所需的语言包，并将其移动至tessdata目录。可通过whereis tesseract命令查看具体目录路径，例如我的环境路径为/usr/share/tesseract/tessdata，执行mv *.traineddata /usr/local/share/tessdata/命令完成迁移。

6. 查看目前已下载的语言

tesseract --list-langs

使用

# tesseract
Usage:
 tesseract --help | --help-psm | --help-oem | --version
 tesseract --list-langs [--tessdata-dir PATH]
 tesseract --print-parameters [options...] [configfile...]
 tesseract imagename|stdin outputbase|stdout [options...] [configfile...]

OCR options:
 --tessdata-dir PATH  Specify the location of tessdata path.
 --user-words PATH   Specify the location of user words file.
 --user-patterns PATH Specify the location of user patterns file.
 -l LANG[+LANG]    Specify language(s) used for OCR.
 -c VAR=VALUE     Set value for config variables.
            Multiple -c arguments are allowed.
 --psm NUM       Specify page segmentation mode.
 --oem NUM       Specify OCR Engine mode.
NOTE: These options must occur before any configfile.

语法

tesseract imagename outputbase [-l lang] [-psm pagesegmode] [configfile...]

• imagename：指定待识别的图片文件名。
• outputbase：指定输出目标。若希望直接输出结果而非保存至文件，可使用stdout；否则，该参数将作为保存结果文件名的前缀。
• -l参数用于指定语言文件，默认使用英文。
• 执行tesseract --print-parameters可查看更多的参数信息。
• 使用-c参数可指定单个配置项的值，或将配置写入配置文件并置于命令末尾（支持加载多个配置文件）。
• psm参数用于指定图像识别的方式。

0：定向脚本监测（OSD）。

1：使用OSD进行自动分页。

2：自动分页，但不使用OSD或OCR（光学字符识别）。

3：全自动分页，但不使用OSD（此为默认模式）。

4：假设图像包含可变大小的文本列。

5：假设图像为垂直对齐文本的单个统一块。

6：假设图像为统一的文本块。

7：将图像视为单个文本行。

8：将图像视为单个词。

9：将图像视为圆中的单个词。

10：将图像视为单个字符。

python中使用

Tesseract安装完成后，可通过Python方便地调用，但需确保已安装pillow和pytesseract库作为支持。

python中转换

image_to_data(image, lang=None, config='', nice=0, output_type=Output.STRING)

• image Object：由Tesseract处理的图像，可以是PIL Image对象或NumPy数组。
• lang String：Tesseract语言代码字符串。
• config String：其他配置字符串，例如：config='--psm 6'。
• 语言文件可以叠加使用，用“+”符号隔开。
• 我们也可在此处设置tessdata路径，将其包含在config参数中即可。
• 更多配置项如config和psm的设置逻辑与命令行工具类似。

实例：

流程：首先打开图片，进行配置和转换。可通过Image的open方法或cv2的imread函数打开图片，建议对图片进行对比度增强和降噪等预处理，以提升识别效果。

from PIL import Image
import pytesseract
class Languages:
  CHS = 'chi_sim'
  ENG = 'eng'
def img_to_str(image_path, lang=Languages.ENG):
  return pytesseract.image_to_string(Image.open(image_path), lang)
print(img_to_str('pic/numu.png', lang=Languages.ENG))
print(img_to_str('pic/pro.png', lang=Languages.ENG))

总结

简单的文本识别效果尚可，但若涉及多空行、特殊符号等复杂情况，识别效果会下降。准确度方面，可通过训练字库达到理想效果。获取文本后，可利用re等库进行后续操作，应用场景广泛。2. 在验证码识别方面，tesserocr表现良好，使用较为便捷。

识别中文时可能会出现编码错误，这是识别过程中的一个潜在问题。网上有观点认为改变文本编码可解决此问题，但实际测试中往往无效，因此不建议直接对长文本图片进行转换处理。

对于图文处理需求，也可借鉴各大平台提供的API，如百度、腾讯、美团等均提供支持。

以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持本站。