使用Tesseract進(jìn)行圖片文字識(shí)別
當(dāng)前位置：點(diǎn)晴教程→知識(shí)管理交流
→『 技術(shù)文檔交流 』
Tesseract介紹Tesseract 是一個(gè)開(kāi)源的光學(xué)字符識(shí)別（OCR）引擎，最初由 HP 在 1985 年至 1995 年間開(kāi)發(fā)，后來(lái)被 Google 收購(gòu)并開(kāi)源。Tesseract 支持多種語(yǔ)言的文本識(shí)別，能夠識(shí)別圖片中的文字，并將其轉(zhuǎn)換為可編輯和可搜索的數(shù)據(jù)格式。它適用于多種應(yīng)用場(chǎng)景，包括文檔掃描、圖像處理、數(shù)字存檔等。 Tesseract 的最新版本顯著提高了識(shí)別準(zhǔn)確率，支持的文件格式包括 TIFF、JPEG、PNG 等常見(jiàn)圖片格式。此外，Tesseract 還提供了一個(gè)命令行工具，允許用戶通過(guò)簡(jiǎn)單的命令行輸入來(lái)執(zhí)行 OCR 任務(wù)。對(duì)于開(kāi)發(fā)者而言，Tesseract 提供了多種編程語(yǔ)言的 API 接口，如 C++、Python、Java 等，使得集成 OCR 功能到各種應(yīng)用程序中變得更為容易。 除了基本的 OCR 功能外，Tesseract 還支持語(yǔ)言模型和訓(xùn)練工具，允許用戶根據(jù)特定需求訓(xùn)練自定義模型，以提高某些特定類型或格式文本的識(shí)別準(zhǔn)確率。這些特性使得 Tesseract 成為了一個(gè)強(qiáng)大而靈活的 OCR 工具，廣泛應(yīng)用于個(gè)人和企業(yè)的文本數(shù)字化處理中。 GitHub地址：https://github.com/tesseract-ocr/tesseract 官方文檔地址：https://tesseract-ocr.github.io ? 下載安裝Tesseract下載Tesseract Home · UB-Mannheim/tesseract Wiki
安裝的時(shí)候，記得選上中文語(yǔ)言包：
輸入 查看Tesseract是否安裝成功
設(shè)置環(huán)境變量：
輸入Tesseract的安裝地址：
注意安裝路徑最好不要包含中文，由于C盤空間還比較充足，我就裝在默認(rèn)位置了。 再次驗(yàn)證安裝是否完成：
安裝成功完成。 Tesseract的基本命令行使用基本文本識(shí)別最簡(jiǎn)單的命令是將圖片中的文本識(shí)別并輸出到標(biāo)準(zhǔn)輸出（屏幕）： 默認(rèn)識(shí)別的是英文的，先拿一個(gè)英文的圖片試試：
圖片文字識(shí)別的效果
效果還是很ok的。 再試試一個(gè)中文的圖片：
默認(rèn)是無(wú)法識(shí)別中文的，這時(shí)候需要指定語(yǔ)言才行。 指定一種語(yǔ)言識(shí)別如果圖片中的文字不是英文，你需要指定相應(yīng)的語(yǔ)言。Tesseract 支持多種語(yǔ)言，可以通過(guò)以下命令查看支持的語(yǔ)言：
會(huì)出現(xiàn)你已經(jīng)下載了語(yǔ)言包的語(yǔ)言。 指定語(yǔ)言的命令如下（例如，識(shí)別中文）： 這里的
效果也很不錯(cuò)。 指定多種語(yǔ)言識(shí)別有時(shí)候我們需要同時(shí)識(shí)別多種語(yǔ)言，以下面這張圖片為例：
在命令行中添加-l LANG[+LANG]可以使用多種語(yǔ)言進(jìn)行識(shí)別：
效果也還行。但是會(huì)發(fā)現(xiàn)識(shí)別的中文很多地方都有空格。 將中文改為主要識(shí)別語(yǔ)言：
可以發(fā)現(xiàn)識(shí)別的空格少了很多。 保存識(shí)別文本到文件也可以把識(shí)別的內(nèi)容保存在一個(gè)txt文件中，命令如下所示：
使用quiet模式抑制消息不使用quiet模式與使用quiet模式的對(duì)比：
少了表示 Tesseract 正在嘗試估算輸入圖像的分辨率的信息 可搜索的pdf輸出這將創(chuàng)建一個(gè)包含圖像和單獨(dú)可搜索文本層的PDF，其中包含識(shí)別出的文本： 實(shí)現(xiàn)效果：
HOCR輸出在命令末尾添加hocr以使用‘hocr’配置文件，獲取HOCR輸出： 識(shí)別效果：
這樣不夠直觀，保存在一個(gè)html文件中，然后再打開(kāi)看看： 把生成的文件后綴改為.html，用瀏覽器打開(kāi)，效果如下所示：
TSV輸出在命令末尾添加“tsv”配置文件以獲取TSV輸出： 以這張圖片為例：
實(shí)現(xiàn)效果如下所示：
使用不同的頁(yè)面分割模式-psm 3 - 全自動(dòng)頁(yè)面分割，但無(wú)方向和腳本檢測(cè)。（默認(rèn)） 以這張圖片為例：
實(shí)現(xiàn)的效果：
-psm 6 - 假定文本為一個(gè)整體均勻的塊。 以這張圖片為例：
實(shí)現(xiàn)效果如下所示：
使用 -c preserve_interword_spaces=1 來(lái)保留空格 實(shí)現(xiàn)效果如下所示：
使用pdftotext保持文本輸出的布局 實(shí)現(xiàn)的效果：
總結(jié)現(xiàn)在圖片文字識(shí)別已經(jīng)有多種方式可以實(shí)現(xiàn)，也可以通過(guò)云服務(wù)商的文字識(shí)別服務(wù)，缺點(diǎn)就是需要網(wǎng)絡(luò)，數(shù)量多了需要收費(fèi)，優(yōu)點(diǎn)就是識(shí)別準(zhǔn)確率比較高。使用Tesseract與PaddleOCR這種方式的好處就是離線可用，速度也挺快的。 轉(zhuǎn)自https://www.cnblogs.com/mingupupu/p/18590261 該文章在 2024/12/9 9:42:01 編輯過(guò) |
關(guān)鍵字查詢
相關(guān)文章
正在查詢... 
|
400 186 1886
