如何用 Python 進行 OCR 圖像識別

這篇文章主要介紹“如何用 Python 進行 OCR 圖像識別”，在日常操作中，相信很多人在如何用 Python 進行 OCR 圖像識別問題上存在疑惑，小編查閱了各式資料，整理出簡單好用的操作方法，希望對大家解答”如何用 Python 進行 OCR 圖像識別”的疑惑有所幫助！接下來，請跟著小編一起來學習吧！

數據采集就怕遇到圖片，只能看不能復制怎么辦。手動將文字提取出來，要耗費很大的工作量。例如下圖，某樓盤的一房一價表，怎么樣發現單價低位的房子?光憑肉眼很難發現吧，能否讓計算機進行文字的識別，然后再對這些數值型信息進行數據分析。

首先把圖片中的單價提取出來，

進而生成圖像：

用python就可以實現，采用現在流行的OCR圖像識別。主要思路是使用機器學習模式，通過已有圖片手動訓練出一個圖像識別模型，具體步驟如下：

一、將圖片預處理，更方便計算機識別

(一)把圖像灰化

使用open-cv庫對圖片進行處理。

使用灰化后的圖片，如下圖，排除干擾信息，能讓識別更加穩定。

(二)把圖片分割

將圖片分割成小方塊，一是提高識別精度，二是方便將數據儲存為表格形式。可以設定好參數，根據坐標系把圖片裁剪成一個個小方塊，如下圖，儲存為jpg格式。

二、建立圖像識別模型

(一)將分割好的小方塊圖片合并成tiff文件

下載jTessBoxEditor，打開jTessBoxEditor.jar，使用tools下的merge tiff工具，將圖片合并成tiff文件。

(二)使用已有模型對tiff文件進行初識別

下載并安裝tesseract，并配置好環境變量，將Tesseract-OCR和tessdata的路徑加入到環境變量下的path下面。Tesseract自帶圖像識別的模型，例如中文簡體漢字識別模型chi_sim.traineddata，英文識別模型eng.traineddata，這些模型可以網上下載，放到tessdata里面即可使用。

然后進入tiff所在文件夾。在命令窗口，輸入：tesseract ***.tif *** -l +++ -psm 7 batch.nochop  makebox，按回車生成box文件。其中***為tif的文件名，+++為要生成的traindata的文件名。

(三)使用jTessBoxEditor對tiff和box文件進行調整

打開jTessBoxEditor.jar，在box  editor中的open按鈕，打開要編輯的tif文件。編輯之后保存，生成box文件。保存在同一個文件夾里。

(四)使用tiff和box文件生成模型

在tiff和box的文件中，在命令窗口輸入以下代碼，最終生成模型(traindata文件)

上述腳本也可以寫在bat文件中，運行腳本來生成traindata，最終僅需要將traindata復制到tessdata里面，即可使用該模型。

三、應用圖像識別模型

安裝完，訓練完模型之后，就要在python中使用模型了。安裝pytesseract，找到pytesseract.py文件，打開編輯，將其中的“tesseract_cmd  = 'tesseract'”，改成tesseract的安裝路徑(如C:\Program Files\Tesseract-OCR\\tesseract)。

因為模型是采用灰化后的圖片訓練的，所以在識別時也要使用灰化。

四、優化圖像識別模型

在使用中，如果有錯誤，可以存下來，加入訓練庫，優化圖像識別模型。在一般是識別錯誤的圖片，積攢一陣子后。累積做成tif文件。注意：同類錯誤選擇幾個記號了，訓練庫盡量小而精。

到此，關于“如何用 Python 進行 OCR 圖像識別”的學習就結束了，希望能夠解決大家的疑惑。理論與實踐的搭配能更好的幫助大家學習，快去試試吧！若想繼續學習更多相關知識，請繼續關注億速云網站，小編會繼續努力為大家帶來更多實用的文章！