100天精通Python（进阶篇）——第44天：基于Tesseract-OCR实现OCR图片文字识别实战

引言

在Python进阶学习的第44天，我们将深入探索OCR（光学字符识别）技术，特别是基于Tesseract-OCR库的实现。OCR技术能够将图片中的文字转换为可编辑的文本格式，广泛应用于文档数字化、自动化数据处理、车牌识别等多个领域。本文将通过详细的步骤和代码示例，指导读者如何使用Tesseract-OCR在Python环境中实现高效的图片文字识别。

Tesseract-OCR简介

Tesseract是一个由Google维护的开源OCR引擎，支持多种语言和字体，具有高度的灵活性和可扩展性。它最初由HP实验室开发，后被Google接管并持续优化。Tesseract能够识别图片中的文字，并将其转换为文本文件，支持包括中文在内的多种语言。

环境配置

在开始之前，我们需要确保Python环境已安装，并配置好Tesseract-OCR及其Python封装库pytesseract。

安装Tesseract-OCR

1. Windows用户：可以从UB Mannheim下载并安装Tesseract-OCR的Windows版本。
2. Mac用户：使用Homebrew安装：brew install tesseract。
3. Linux用户：根据发行版使用包管理器安装，如Ubuntu：sudo apt-get install tesseract-ocr。

安装pytesseract

使用pip安装pytesseract库：

pip install pytesseract

基础识别

安装完成后，我们可以开始使用Tesseract-OCR进行基础图片文字识别。

示例代码

import pytesseract
from PIL import Image
# 设置Tesseract路径（如果不在系统PATH中）
# pytesseract.pytesseract.tesseract_cmd = r'C:\Program Files\Tesseract-OCR\tesseract.exe'  # Windows示例
# 加载图片
image = Image.open('example.png')
# 使用Tesseract进行OCR识别
text = pytesseract.image_to_string(image, lang='chi_sim')  # 指定中文简体
print(text)

代码解释

1. 导入库：pytesseract用于调用Tesseract-OCR，PIL.Image用于加载图片。
2. 设置Tesseract路径（可选）：如果Tesseract不在系统PATH中，需要指定其可执行文件的路径。
3. 加载图片：使用Image.open()方法加载图片文件。
4. OCR识别：pytesseract.image_to_string()方法执行OCR识别，lang参数指定语言（如'chi_sim'表示中文简体）。
5. 输出结果：打印识别出的文本。

预处理优化

为了提高OCR识别的准确率，通常需要对图片进行预处理，如二值化、去噪、调整对比度等。

使用OpenCV进行预处理

import cv2
import numpy as np
import pytesseract
from PIL import Image
def preprocess_image(image_path):
    # 读取图片
    img = cv2.imread(image_path)
    # 转换为灰度图
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    # 二值化处理
    thresh = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)[1]
    # 可选：去噪
    # denoised = cv2.fastNlMeansDenoising(thresh, None, 10, 7, 21)
    # 保存预处理后的图片（可选）
    # cv2.imwrite('preprocessed.png', thresh)
    return thresh
# 预处理图片
preprocessed_img = preprocess_image('example.png')
# 转换为PIL Image格式
pil_img = Image.fromarray(preprocessed_img)
# OCR识别
text = pytesseract.image_to_string(pil_img, lang='chi_sim')
print(text)

代码解释

1. 读取图片：使用cv2.imread()方法读取图片。
2. 转换为灰度图：cv2.cvtColor()方法将图片转换为灰度图，减少颜色干扰。
3. 二值化处理：cv2.threshold()方法进行二值化，提高文字与背景的对比度。
4. 去噪（可选）：使用cv2.fastNlMeansDenoising()方法去除图片噪声。
5. 保存预处理后的图片（可选）：将预处理后的图片保存到文件。
6. 转换为PIL Image格式：使用Image.fromarray()方法将OpenCV格式的图片转换为PIL格式。
7. OCR识别：与之前相同，使用pytesseract.image_to_string()方法进行识别。

实战案例：识别发票文字

假设我们需要从一张发票图片中提取关键信息，如发票号码、日期、金额等。

代码实现

import cv2
import numpy as np
import pytesseract
from PIL import Image
import re
def extract_invoice_info(image_path):
    # 预处理图片
    img = cv2.imread(image_path)
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    thresh = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)[1]
    # 转换为PIL Image格式
    pil_img = Image.fromarray(thresh)
    # OCR识别
    text = pytesseract.image_to_string(pil_img, lang='chi_sim')
    # 提取关键信息
    invoice_no_match = re.search(r'发票号码[:：]?\s*(\d+)', text)
    date_match = re.search(r'日期[:：]?\s*(\d{4}-\d{2}-\d{2})', text)
    amount_match = re.search(r'金额[:：]?\s*([\d.]+)', text)
    invoice_no = invoice_no_match.group(1) if invoice_no_match else '未找到'
    date = date_match.group(1) if date_match else '未找到'
    amount = amount_match.group(1) if amount_match else '未找到'
    return {
        '发票号码': invoice_no,
        '日期': date,
        '金额': amount
    }
# 示例使用
info = extract_invoice_info('invoice.png')
for key, value in info.items():
    print(f'{key}: {value}')

代码解释

1. 预处理图片：与之前相同，进行灰度转换和二值化处理。
2. OCR识别：使用pytesseract.image_to_string()方法识别图片中的文字。
3. 提取关键信息：使用正则表达式从识别出的文本中提取发票号码、日期和金额。
4. 返回结果：将提取到的信息以字典形式返回。

总结

在第44天的Python进阶学习中，我们深入探索了基于Tesseract-OCR的图片文字识别技术。通过详细的步骤和代码示例，我们学习了如何配置环境、进行基础识别、优化预处理步骤，并通过实战案例展示了如何从发票图片中提取关键信息。希望本文能够帮助读者高效掌握OCR技术，并在实际项目中应用。