使用tesseract进行中文文字识别

简介

本文主要介绍如何通过tesseract进行文字识别,及其识别效果。

效果图

图片
测试图 测试图
测试结果 测试结果

环境

  • ubuntu
  • python2.7

安装

  • tesseract
sudo apt-get install tesseract-ocr
sudo pip install pyocr

测试代码

  • demo.py
from PIL import Image
import sys

import pyocr
import pyocr.builders

import sys

tools = pyocr.get_available_tools()

if len(tools) == 0:
    print("Not found OCR tool")
    sys.exit(1)

tool = tools[0]
print("Will use tool: '%s'" % (tool.get_name()))

langs = tool.get_available_languages()
print("Available languages: '%s'" % ", ".join(langs))
print("Will use lang '%s'" % ("chi_sim"))

txt = tool.image_to_string(
    Image.open('images/jjj.jpg'),
    lang='chi_sim',
    builder=pyocr.builders.TextBuilder(tesseract_layout=6)
)

print(txt)

运行

python2 demo.py

评价

文字识别的精度有待提升。一些像素低的,如标点符号都不能很好的解析出来。有兴趣的同学可以深入研究一下。

本文涉及代码

https://github.com/cangyan/python-ocr

参考链接

https://qiita.com/it__ssei/items/fd804dcb10997566593b

发表评论

电子邮件地址不会被公开。 必填项已用*标注