Python图像文字识别全攻略：从原理到实战代码

一、图像文字识别技术概述

图像文字识别（Optical Character Recognition, OCR）是将图片中的文字转换为可编辑文本的技术，广泛应用于文档数字化、票据识别、车牌识别等场景。其核心流程包括图像预处理、文字检测、文字识别和后处理四个阶段。Python生态中，Tesseract OCR和PaddleOCR是两大主流工具：Tesseract由Google开源，支持100+种语言；PaddleOCR由百度飞桨开发，中文识别效果突出，且提供轻量级模型。

二、Tesseract OCR实战详解

1. 环境配置

安装Tesseract需分两步：首先安装Python封装库pytesseract，其次安装Tesseract引擎本体。Windows用户需从UB Mannheim提供的安装包安装，并配置环境变量；Linux用户可通过apt install tesseract-ocr安装；Mac用户使用brew install tesseract。安装后验证版本：

import pytesseract
print(pytesseract.get_tesseract_version())  # 应输出版本号如5.3.0

2. 基础识别

使用image_to_string函数可快速识别图片文字。以识别英文为例：

from PIL import Image
import pytesseract
image = Image.open("english_text.png")
text = pytesseract.image_to_string(image, lang="eng")
print(text)

若识别中文，需下载中文训练包（chi_sim.traineddata）并放入Tesseract的tessdata目录，代码中指定lang="chi_sim"。

3. 高级配置

通过config参数可优化识别效果。例如，启用PSM（Page Segmentation Modes）模式6（假设为统一文本块）：

text = pytesseract.image_to_string(
    image, 
    config="--psm 6 --oem 3 -c tessedit_char_whitelist=0123456789"
)

其中--oem 3表示使用默认OCR引擎模式，tessedit_char_whitelist可限制识别字符集，提升特定场景准确率。

三、PaddleOCR实战详解

1. 环境配置

PaddleOCR依赖PaddlePaddle深度学习框架，需先安装：

pip install paddlepaddle  # CPU版本
# 或GPU版本（需CUDA环境）
pip install paddlepaddle-gpu

再安装PaddleOCR：

pip install paddleocr

2. 基础识别

PaddleOCR支持中英文混合识别，默认加载轻量级模型：

from paddleocr import PaddleOCR
ocr = PaddleOCR(use_angle_cls=True, lang="ch")  # 启用角度分类，中文识别
result = ocr.ocr("chinese_text.jpg", cls=True)
for line in result:
    print(line[1][0])  # 输出识别文本

use_angle_cls=True可自动矫正倾斜图片，lang参数支持en（英文）、fr（法文）等30+种语言。

3. 性能优化

• 模型选择：PaddleOCR提供多种模型，如ch_PP-OCRv4_det（检测）、ch_PP-OCRv4_rec（识别），可通过det_model_dir和rec_model_dir指定。
• GPU加速：若环境支持CUDA，PaddleOCR会自动使用GPU，可通过gpu_mem=500限制显存占用。
• 批量处理：使用ocr.ocr的batch_size参数可并行处理多张图片，提升吞吐量。

四、图像预处理技术

1. 二值化

将图片转为黑白，增强文字与背景对比度。使用OpenCV实现：

import cv2
image = cv2.imread("text.png", cv2.IMREAD_GRAYSCALE)
_, binary = cv2.threshold(image, 128, 255, cv2.THRESH_BINARY)
cv2.imwrite("binary.png", binary)

2. 去噪

高斯模糊可消除噪点：

blurred = cv2.GaussianBlur(image, (5, 5), 0)

3. 透视矫正

对倾斜图片，可通过四点变换矫正：

pts_src = np.float32([[56, 65], [368, 52], [28, 387], [389, 390]])  # 原图四点
pts_dst = np.float32([[0, 0], [300, 0], [0, 300], [300, 300]])      # 目标四点
matrix = cv2.getPerspectiveTransform(pts_src, pts_dst)
result = cv2.warpPerspective(image, matrix, (300, 300))

五、实战案例：表格识别

1. 需求分析

识别表格图片中的文字，并保持行列结构。需先检测表格线，再分割单元格。

2. 代码实现

import cv2
import numpy as np
from paddleocr import PaddleOCR
def detect_table_lines(image_path):
    image = cv2.imread(image_path)
    gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
    edges = cv2.Canny(gray, 50, 150)
    lines = cv2.HoughLinesP(edges, 1, np.pi/180, threshold=100)
    for line in lines:
        x1, y1, x2, y2 = line[0]
        cv2.line(image, (x1, y1), (x2, y2), (0, 255, 0), 2)
    cv2.imwrite("table_lines.jpg", image)
def recognize_table(image_path):
    ocr = PaddleOCR(lang="ch")
    result = ocr.ocr(image_path, cls=True)
    table_data = []
    for line in result:
        table_data.append(line[1][0])
    return table_data
# 使用示例
detect_table_lines("table.jpg")
text_data = recognize_table("table.jpg")
print("识别结果：", text_data)

3. 优化建议

• 对复杂表格，可先用OpenCV检测直线，分割单元格后再识别。
• 使用PaddleOCR的table模式（需安装paddleocr-dev版本），可直接输出表格结构。

六、常见问题与解决方案

1. 识别率低：检查图片质量，调整预处理参数（如二值化阈值）。
2. 中文乱码：确认Tesseract已安装中文训练包，或使用PaddleOCR。
3. 速度慢：降低PaddleOCR模型精度（如从PP-OCRv4切换到PP-OCRv3），或使用GPU。
4. 内存不足：减小batch_size，或使用更轻量的模型。

七、总结与展望

Python图像文字识别技术已非常成熟，Tesseract适合简单场景，PaddleOCR在中文识别和复杂布局中表现更优。未来，随着多模态大模型的发展，OCR将与NLP深度融合，实现更智能的文档理解。开发者应关注模型轻量化、多语言支持和实时识别等方向，以满足移动端和边缘计算的需求。