概述

本文，我們將使用計算機(jī)視覺技術(shù)從圖像中提取文本。提取文本后，我們將在該文本上應(yīng)用 OpenCV 的一些基本功能來增強(qiáng)它并獲得更準(zhǔn)確的結(jié)果。這個項目將非常有用，因為它可以節(jié)省從圖像打字的時間和精力。

范圍

· 對于將從圖像中獲取文本的大型組織而言，此應(yīng)用程序可能會節(jié)省時間。

· 它可以打開“無紙化文檔”的世界，這也有助于升級存儲。

· 它還可以幫助自動化過程，因為它可以從圖像本身中獲取文本。

我們將導(dǎo)入requests庫以獲取 git 文件和圖像的 URL 。

＃import requests to install tesseract

import requests

注意：現(xiàn)在要下載 tesseract 文件，只需轉(zhuǎn)到我將在函數(shù)中作為參數(shù)提供的鏈接，但我只是提供另一種下載 tesseract 文件的方法。

＃ Downloading tesseract－ocr file

r ＝ requests．get（＂https：／／raw．githubusercontent．com／tesseract－ocr／tessdata／4．00／ind．traineddata＂， stream ＝ True）
將數(shù)據(jù)寫入文件以避免路徑問題

with open（＂ind．traineddata＂， ＂wb＂） as file：  

  for block in r．iter＿content（chunk＿size ＝ 1024）：

      if block：  

         file．write（block）

我們現(xiàn)在將下載Pytesseract 庫運(yùn)行所需的tesseract，并將文件保存在open（） 函數(shù)的路徑中。

！pip install pytesseract

如果你想將其安裝在筆記本中，此命令將安裝 Pytesseract 模塊

Requirement already satisfied： pytesseract in c：programdataanaconda3libsite－packages （0．3．8）

Requirement already satisfied： Pillow in c：programdataanaconda3libsite－packages （from pytesseract） （8．0．1）

在這一步中，我們將安裝 OCR 所需的庫，我們還將導(dǎo)入 IPython 函數(shù)以清除不需要的函數(shù)。

安裝光學(xué)字符識別所需的庫

！ apt install tesseract－ocr libtesseract－dev libmagickwand－dev

導(dǎo)入 IPython 以清除不重要的輸出

from IPython．display import HTML， clear＿output

clear＿output（）

現(xiàn)在，我們將安裝Pytesseract 和 OpenCV庫，它們是我們文本識別的靈魂

安裝Pytesseract 和 OpenCV！

pip install pytesseract wand opencv－python

clear＿output（）

導(dǎo)入所需的庫

＃ Import libraries

from PIL import Image

import pytesseract

import cv2

import numpy as np

from pytesseract import Output

import re

在這一步中，我們將打開一個圖像調(diào)整其大小，然后再次保存以供進(jìn)一步使用和可視化。

從URL讀取圖像

image ＝ Image．open（requests．get（＇https：／／i．stack．imgur．com／pbIdS．png＇， stream＝True）．raw）

image ＝ image．resize（（300，150））

image．save（＇sample．png＇）

image

輸出：

設(shè)置tesseract的路徑

pytesseract．pytesseract．tesseract＿cmd ＝ r＇C：Program FilesTesseract－OCRtesseract．exe＇

注意：上面的命令將在系統(tǒng)配置中設(shè)置tesseract庫的路徑，如果路徑?jīng)]有根據(jù)系統(tǒng)配置設(shè)置，那么即使安裝了tesseract也會拋出錯誤。

在這里，我們將使用自定義配置從圖像中提取文本。

＃ Simply extracting text from image

custom＿config ＝ r＇－l eng －－oem 3 －－psm 6＇

text ＝ pytesseract．image＿to＿string（image，config＝custom＿config）

print（text）

輸出：

在自定義配置中，你可以看到＊＊“eng”表示英語，即它會識別英文字母，你還可以添加多種語言，“PSM”表示頁面分割＊＊，它設(shè)置了塊如何識別字符，“OEM”是默認(rèn)配置。

現(xiàn)在，我們將通過用空字符串替換符號，從提取的文本中刪除不需要的符號

＃ Extracting text from image and removing irrelevant symbols from characters

try：

  text＝pytesseract．image＿to＿string（image，lang＝＂eng＂）

  characters＿to＿remove ＝ ＂！（）＠—＊“＞＋－／，＇｜?＃％＄＆＾＿～＂

  new＿string ＝ text

  for character in characters＿to＿remove：

      new＿string ＝ new＿string．replace（character， ＂＂）

  print（new＿string）

except IOError as e：

輸出：

在下面的單元格中，我們將圖像讀入OpenCV格式以進(jìn)一步處理。當(dāng)我們需要從復(fù)雜圖像中提取文本時，這是必需的。

現(xiàn)在我們將執(zhí)行OpenCV操作以從復(fù)雜圖像中獲取文本。

image ＝ cv2．imread（＇sample．png＇） ＃ will read in the array format

輸出：

將圖像轉(zhuǎn)換為灰度圖像，使其處理起來不那么復(fù)雜，因為它只有 0 和 1 兩個值。這里我們使用cv2．cvtColor（）方法將彩色圖像轉(zhuǎn)換為灰度格式，而cv2．cvtColor 實(shí)際上可以幫助圖像的 150 色轉(zhuǎn)換。

灰度圖像

def get＿grayscale（image）：

  return cv2．cvtColor（image， cv2．COLOR＿BGR2GRAY）

gray ＝ get＿grayscale（image）

Image．fromarray（gray）

輸出：

現(xiàn)在我們將模糊圖像，以便我們可以從圖像中去除噪聲。在這里，我們使用函數(shù)cv2．medianBlur（） 函數(shù)以減少圖像中的噪聲＊＊，＊＊模糊基本上是通過應(yīng)用相關(guān)平滑濾波器來平滑圖像的技術(shù)，是圖像處理中廣泛使用的方法之一。

降噪

def remove＿noise（image）：

  return cv2．medianBlur（image，5）

noise ＝ remove＿noise（gray）

Image．fromarray（gray）

輸出：

我們將在這里進(jìn)行閾值變換。閾值適用于簡單的概念，即當(dāng)像素值低于給定的閾值時，顏色為白色，否則像素顏色正好相反，即黑色。使用的函數(shù)是cv2．threshold。

閾值

def thresholding（image）：

                      ＃ source image，  grayscale image

  return cv2．threshold（image， 0， 255， cv2．THRESH＿BINARY ＋

cv2．THRESH＿OTSU）［1］

thresh ＝ thresholding（gray）

Image．fromarray（thresh）

輸出：

這里我們正在做腐蝕變換。腐蝕變換是圖像變換中最基本、最重要的步驟之一。腐蝕變換通常會擬合圖像中缺失的形狀和格子，這有助于在圖像中稍微模糊或扭曲時識別字符。在這里，我們使用cv2 庫中的erode（）函數(shù)進(jìn)行腐蝕轉(zhuǎn)換。

腐蝕

def erode（image）：

  kernel ＝ np．ones（（5，5），np．uint8）

  return cv2．erode（image， kernel， iterations ＝ 1）

erode ＝ erode（gray）

Image．fromarray（erode）

輸出：

在這里，我們將執(zhí)行形態(tài)變換。形態(tài)變換是最適合二值圖像的技術(shù)之一，它根據(jù)圖像的像素值對圖像進(jìn)行排序，而不是在考慮閾值的情況下對圖像的數(shù)值進(jìn)行排序。

形態(tài)變換

def opening（image）：

  kernel ＝ np．ones（（5，5），np．uint8）

  return cv2．morphologyEx（image， cv2．MORPH＿OPEN， kernel）

opening ＝ opening（gray）

Image．fromarray（opening）

輸出：

在這里，我們試圖匹配圖像。當(dāng)我們傳遞相同的圖像進(jìn)行匹配時，我們得到了99．99％的相似度。這里，模板匹配是一種在較大的圖像中搜索和查找模板圖像的位置的方法。對于模板匹配，我們使用cv2 庫中的 match template（）函數(shù)。

模板匹配

def match＿template（image， template）：

  return cv2．matchTemplate（image， template， cv2．TM＿CCOEFF＿NORMED）

match ＝ match＿template（gray， gray）

match

輸出：

array（［［1．］］， dtype＝float32）

現(xiàn)在我們將通過在文本周圍創(chuàng)建一個矩形來分隔文本中的每個字符。

＃ Drawing rectangle around text

img ＝ cv2．imread（＇sample．png＇）

h， w， c ＝ img．shape

boxes ＝ pytesseract．image＿to＿boxes（img）

for b in boxes．splitlines（）：

  b ＝ b．split（＇ ＇）

  img ＝ cv2．rectangle（img， （int（b［1］）， h － int（b［2］））， （int（b［3］）， h － int（b［4］））， （0， 255， 0）， 2）

Image．fromarray（img）

輸出：

最后，我們可以圍繞特定的圖案或單詞繪制矩形。

＃ Drawing pattern on specific pattern or word

img ＝ cv2．imread（＇sample．png＇）

d ＝ pytesseract．image＿to＿data（img， output＿type＝Output．DICT）

keys ＝ list（d．keys（））

date＿pattern ＝ ＇artificially＇

n＿boxes ＝ len（d［＇text＇］）

for i in range（n＿boxes）：

  if float（d［＇conf＇］［i］） ＞ 60：

      if re．match（date＿pattern， d［＇text＇］［i］）：

          （x， y， w， h） ＝ （d［＇left＇］［i］， d［＇top＇］［i］， d［＇width＇］［i］， d［＇height＇］［i］）

          img ＝ cv2．rectangle（img， （x， y）， （x ＋ w， y ＋ h）， （0， 255， 0）， 2）

Image．fromarray（img）

輸出：

結(jié)論

我們從學(xué)習(xí)如何安裝用于文本提取的 tesseract 開始。接下來，我們拍攝了一張圖像并從該圖像中提取了文本。我們了解到我們需要使用 OpenCV 的某些圖像轉(zhuǎn)換函數(shù)來從復(fù)雜圖像中提取文本。

尾注

希望你們會喜歡這個使用 Pytesseract逐步學(xué)習(xí)光學(xué)字符識別的方法。

       原文標(biāo)題 : 使用Pytesseract進(jìn)行光學(xué)字符識別