logo

开发者热搜

Python图片处理全攻略：格式转换与OCR文字识别实战指南

作者：很菜不狗2025.10.10 19:21浏览量：2

简介：本文详细介绍如何使用Python实现图片格式转换与OCR文字识别，涵盖Pillow库的格式转换方法、Tesseract OCR的安装配置及优化技巧，提供完整代码示例和实用建议。

Python图片处理全攻略：格式转换与OCR文字识别实战指南

一、图片格式转换：Pillow库的强大能力

图片格式转换是图像处理的基础需求，Python的Pillow库（PIL）提供了简单高效的解决方案。作为Python Imaging Library的分支，Pillow支持包括JPEG、PNG、BMP、GIF、TIFF等数十种格式的相互转换。

1.1 基础格式转换实现

  1. from PIL import Image
  3. def convert_image_format(input_path, output_path, output_format):
  4.     """
  5.     图片格式转换函数
  6.     :param input_path: 输入图片路径
  7.     :param output_path: 输出图片路径
  8.     :param output_format: 目标格式（如'JPEG', 'PNG'）
  9.     """
  10.     try:
  11.         with Image.open(input_path) as img:
  12.             # 保存为指定格式
  13.             img.save(output_path, format=output_format)
  14.             print(f"转换成功：{input_path} -> {output_path}")
  15.     except Exception as e:
  16.         print(f"转换失败：{str(e)}")
  18. # 使用示例
  19. convert_image_format('input.png', 'output.jpg', 'JPEG')

1.2 高级转换技巧

  • 批量转换：使用os.listdir()遍历文件夹实现批量处理
  • 质量参数控制：JPEG格式可通过quality参数调整压缩质量（1-100）
  • 透明度处理：PNG转JPEG时需指定背景色或忽略透明通道
  1. def batch_convert(input_dir, output_dir, output_format, quality=95):
  2.     import os
  3.     if not os.path.exists(output_dir):
  4.         os.makedirs(output_dir)
  6.     for filename in os.listdir(input_dir):
  7.         if filename.lower().endswith(('.png', '.jpg', '.jpeg', '.bmp')):
  8.             input_path = os.path.join(input_dir, filename)
  9.             output_path = os.path.join(output_dir, 
  10.                                       os.path.splitext(filename)[0] + f'.{output_format.lower()}')
  11.             try:
  12.                 with Image.open(input_path) as img:
  13.                     if output_format.upper() == 'JPEG' and img.mode in ('RGBA', 'LA'):
  14.                         # 处理带透明通道的图片
  15.                         background = Image.new('RGB', img.size, (255, 255, 255))
  16.                         background.paste(img, mask=img.split()[-1])
  17.                         background.save(output_path, format='JPEG', quality=quality)
  18.                     else:
  19.                         img.save(output_path, format=output_format, quality=quality)
  20.             except Exception as e:
  21.                 print(f"处理{filename}失败：{str(e)}")

二、OCR文字识别：Tesseract的深度应用

Tesseract OCR是由Google维护的开源OCR引擎，支持100多种语言，是Python中实现文字识别的首选方案。

2.1 安装与基础配置

  1. 安装Tesseract：

    • Windows：下载安装包并添加到PATH
    • Mac：brew install tesseract
    • Linux：sudo apt install tesseract-ocr（基础版）或sudo apt install tesseract-ocr-[lang]（特定语言）

  2. 安装Python包装器：

    1. pip install pytesseract

2.2 基础识别实现

  1. import pytesseract
  2. from PIL import Image
  4. def ocr_with_tesseract(image_path, lang='chi_sim+eng'):
  5.     """
  6.     基础OCR识别函数
  7.     :param image_path: 图片路径
  8.     :param lang: 语言包（中文简体+英文）
  9.     :return: 识别结果文本
  10.     """
  11.     try:
  12.         img = Image.open(image_path)
  13.         text = pytesseract.image_to_string(img, lang=lang)
  14.         return text
  15.     except Exception as e:
  16.         print(f"OCR识别失败：{str(e)}")
  17.         return None
  19. # 使用示例
  20. result = ocr_with_tesseract('text_image.png')
  21. print(result)

2.3 识别优化技巧

  1. 图像预处理：
    • 二值化处理：增强文字与背景对比度
    • 降噪：使用高斯模糊或中值滤波
    • 旋转校正：检测并修正倾斜图片
  1. import cv2
  2. import numpy as np
  4. def preprocess_image(image_path):
  5.     # 读取图片（使用OpenCV保持通道顺序）
  6.     img = cv2.imread(image_path)
  7.     # 转换为灰度图
  8.     gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
  9.     # 二值化处理
  10.     _, binary = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)
  11.     # 可选：降噪处理
  12.     denoised = cv2.medianBlur(binary, 3)
  13.     return denoised
  15. def advanced_ocr(image_path, lang='chi_sim+eng'):
  16.     processed_img = preprocess_image(image_path)
  17.     # 临时保存处理后的图片供Tesseract使用
  18.     temp_path = 'temp_processed.png'
  19.     cv2.imwrite(temp_path, processed_img)
  21.     text = pytesseract.image_to_string(Image.open(temp_path), lang=lang)
  22.     return text
  1. 区域识别：通过指定识别区域提高准确率
    1. def ocr_specific_area(image_path, coordinates, lang='chi_sim+eng'):
    2.  """
    3.  识别图片指定区域
    4.  :param coordinates: (x1, y1, x2, y2) 左上和右下坐标
    5.  """
    6.  img = Image.open(image_path)
    7.  area = img.crop(coordinates)
    8.  return pytesseract.image_to_string(area, lang=lang)

三、完整项目实现：格式转换+OCR流水线

  1. import os
  2. from PIL import Image
  3. import pytesseract
  4. import cv2
  5. import numpy as np
  7. class ImageProcessor:
  8.     def __init__(self, ocr_lang='chi_sim+eng'):
  9.         self.ocr_lang = ocr_lang
  11.     def convert_format(self, input_path, output_path, output_format, quality=95):
  12.         """格式转换核心方法"""
  13.         try:
  14.             with Image.open(input_path) as img:
  15.                 if output_format.upper() == 'JPEG' and img.mode in ('RGBA', 'LA'):
  16.                     background = Image.new('RGB', img.size, (255, 255, 255))
  17.                     background.paste(img, mask=img.split()[-1])
  18.                     background.save(output_path, format='JPEG', quality=quality)
  19.                 else:
  20.                     img.save(output_path, format=output_format, quality=quality)
  21.                 return True
  22.         except Exception as e:
  23.             print(f"格式转换错误：{str(e)}")
  24.             return False
  26.     def preprocess_for_ocr(self, image_path):
  27.         """OCR专用预处理"""
  28.         img = cv2.imread(image_path)
  29.         gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
  30.         _, binary = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)
  31.         return binary
  33.     def recognize_text(self, image_path):
  34.         """文字识别核心方法"""
  35.         processed = self.preprocess_for_ocr(image_path)
  36.         temp_path = 'temp_ocr.png'
  37.         cv2.imwrite(temp_path, processed)
  39.         try:
  40.             text = pytesseract.image_to_string(Image.open(temp_path), lang=self.ocr_lang)
  41.             os.remove(temp_path)  # 清理临时文件
  42.             return text
  43.         except Exception as e:
  44.             print(f"OCR识别错误：{str(e)}")
  45.             return None
  47.     def process_pipeline(self, input_path, output_format, output_text_path=None):
  48.         """完整处理流水线"""
  49.         # 1. 格式转换
  50.         base_name = os.path.splitext(os.path.basename(input_path))[0]
  51.         converted_path = f"{base_name}_converted.{output_format.lower()}"
  52.         if not self.convert_format(input_path, converted_path, output_format):
  53.             return None
  55.         # 2. 文字识别
  56.         text = self.recognize_text(converted_path)
  58.         # 3. 保存识别结果
  59.         if output_text_path and text:
  60.             with open(output_text_path, 'w', encoding='utf-8') as f:
  61.                 f.write(text)
  63.         return {
  64.             'converted_image': converted_path,
  65.             'recognized_text': text,
  66.             'status': 'success'
  67.         }
  69. # 使用示例
  70. processor = ImageProcessor(ocr_lang='chi_sim+eng')
  71. result = processor.process_pipeline(
  72.     input_path='input_doc.png',
  73.     output_format='JPEG',
  74.     output_text_path='output_text.txt'
  75. )
  76. print(result)

四、实际应用建议

  1. 性能优化：

    • 对大图片先缩放再识别（建议宽度不超过2000px）
    • 使用多线程处理批量任务
    • 对于固定格式的文档，可预先训练Tesseract模型

  2. 准确率提升：

    • 中文识别建议使用chi_sim（简体）或chi_tra（繁体）
    • 复杂背景图片可尝试调整二值化阈值
    • 表格类图片建议先检测表格线再分区识别

  3. 错误处理：

    • 添加文件存在性检查
    • 实现重试机制应对临时性错误
    • 记录处理日志便于问题追踪

五、扩展功能实现

  1. PDF转图片再OCR：
    ```python
    from pdf2image import convert_from_path

def pdf_to_text(pdf_path, output_text_path, dpi=300, lang=’chi_sim+eng’):
images = convert_from_path(pdf_path, dpi=dpi)
full_text = []
processor = ImageProcessor(lang)

  1. for i, image in enumerate(images):
  2.     temp_path = f'temp_page_{i}.png'
  3.     image.save(temp_path, 'PNG')
  4.     text = processor.recognize_text(temp_path)
  5.     if text:
  6.         full_text.append(text)
  7.     os.remove(temp_path)
  9. if full_text:
  10.     with open(output_text_path, 'w', encoding='utf-8') as f:
  11.         f.write('\n'.join(full_text))
  2. 2. **多语言混合识别**：
  3. ```python
  4. # 安装额外语言包（如日文）
  5. # sudo apt install tesseract-ocr-jpn
  6. # 然后使用lang='jpn+eng'

六、常见问题解决方案

  1. Tesseract找不到路径：

    • Windows需设置pytesseract.pytesseract.tesseract_cmd = r'C:\Program Files\Tesseract-OCR\tesseract.exe'

  2. 中文识别率低：

    • 确认已安装中文语言包
    • 尝试lang='chi_sim'（简体）或'chi_tra'（繁体）
    • 对低质量图片增加预处理步骤

  3. 内存不足：

    • 处理大文件时分块读取
    • 及时关闭不再使用的图片对象
    • 增加系统交换空间

通过本文介绍的完整方案，开发者可以快速构建起从图片格式转换到文字识别的完整处理流程。实际项目中，建议根据具体需求调整预处理参数和识别策略，对于关键业务场景，可考虑结合商业OCR API实现更高准确率的识别。

相关文章推荐

发表评论

最热文章

关于作者

  • 被阅读数
  • 被赞数
  • 被收藏数
活动
咨询