真咲惠美,感官世界下载,超级邪能
朋友需要一个工具，将图片中的文字提取出来。我帮他在网上找了一些ocr的应用，都不好用。所以准备自己研究，写一个web app供他使用。
ocr1，全称optical character recognition，或者optical character reader，中文译名叫做光学文字识别。它是把图像文件中的手写文本，打印文本转换为机器编码文本的一种方法。
ocr技术广泛用于识别打印纸张中的文字数据 -- 比如护照，支票，银行声明，收据，统计表单，邮件等。ocr的早期版本，需要对图片中的每个文字都进行训练，一次只能作用于一种字体。高级的版本增加了很大的识别率，可以同时识别现在很多流行的字体，支持不同种类格式的图片文件。一些系统可以生成接近于原来图片格式的输出，包括图片，排版，以及其它非文本组件，这也叫做版面还原。
现在最出名，最常用的ocr就是谷歌的tesseract ocr engine2。最新的版本是tesseract4。tesseract的主要开发者是ray smith3.
tesseract支持unicode(utf-8)，安装后即可识别超过100种语言。
tesseract支持不同的输出可是：普通文本，hocr(html)，pdf，tsv，invisible-text-only pdf。在master分支，还试验性地支持alto(xml)格式。
请记住，在大多数情况下，为了获得更好的ocr结果，你需要为提供给tesseract的图片提升质量4.
tesseract可以通过训练来识别其它语言和其它字体5.
另外，有很多第三方的tesseract gui应用。可以直接下载使用6。
python-tesseract7(pytesseract)是google tesseract orc引擎的封装。首次commit的2014年。用这个库，可以很方便地编写脚本，可以用它来识别所有可以由pil识别的图片格式，包括jpeg, png, gif, bmp, tiff等， 而tesseract-orc本来只支持tiff和bmp两种格式。
如果在脚本中使用，识别的文本可以输出为python字符串，而不是直接输出到文件中。
另外，这个代码库只有一个文件，400行代码。如果有任何疑问，可以直接翻看源代码。
tesserocr8也是一个tesseractocr的封装库。它的首次commit是2015年。
这个库相对于pytesseract的优势在于9，这个库是使用cython来直接调用tesseract的c++ api。使用它和threading模块来处理图片，可以释放gil，达到正常的并发执行。
2.github: tesseract ocr engine
3.tesseract作者 ray smith，美国计算机科学家，计算机图形学的先驱. 他的中文名字叫做匠白光. ↩
9.hacknews: 关于pytesseract, tesserocr的区别
总结
以上所述是小编给大家介绍的如何使用python进行ocr识别图片中的文字，希望对大家有所帮助
如对本文有疑问，请在下面进行留言讨论，广大热心网友会与你互动！！ 点击进行留言回复
python求numpy中array按列非零元素的平均值案例
我要评论
网友评论