使用Python Pytesseract進行OCR識別

介紹

在數字化時代，OCR（Optical Character Recognition）技術成為了智能化信息處理的重要手段，利用OCR技術能夠將紙質的、印刷的文字自動化地轉換成數字的電子文件，為人們的信息化生活帶來了巨大便利。隨著深度學習技術的不斷發展，OCR技術的準確度和識別速度得到了極大提升，其中Python語言的開源OCR庫Pytesseract就是一款非常受歡迎的技術方案。

使用

Pytesseract是在Python下使用谷歌的Tesseract-OCR引擎的開源包，利用簡單的代碼即可快速實現OCR識別任務。下面將從圖像預處理、文字分割、OCR識別三個方面詳細介紹Pytesseract的使用方法。

圖像預處理

在進行OCR識別任務之前，必須對圖像進行預處理，以提高識別準確度和速度。常用的圖像預處理包括二值化、降噪、去除干擾、傾斜矯正等操作。

import cv2
import numpy as np

def preprocess(image):
    # 灰度化
    gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
    # 高斯模糊
    blurred = cv2.GaussianBlur(gray, (5, 5), 0)
    # 自適應二值化
    thresh = cv2.adaptiveThreshold(blurred, 255, cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY_INV, 11, 2)
    # 膨脹
    kernel = np.ones((3,3), np.uint8)
    dilation = cv2.dilate(thresh, kernel, iterations=1)
    # 返回預處理後的圖像
    return dilation

文字分割

在進行OCR識別任務時，由於文本字元的分布和排版具有特殊性，需要對圖像進行適當的分割和定位，以準確地識別每個字元。

def find_text_boxes(image):
    # 二值化
    image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
    _, binary = cv2.threshold(image, 190, 255, cv2.THRESH_BINARY)
    # 腐蝕
    kernel = np.ones((3, 3), np.uint8)
    binary = cv2.erode(binary, kernel, iterations=1)
    # 輪廓檢測
    contours, _ = cv2.findContours(binary, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
    # 遍歷輪廓
    boxes = []
    for contour in contours:
        x, y, w, h = cv2.boundingRect(contour)
        # 根據輪廓大小過濾無意義邊框
        if w < 10 or h < 10:
            continue
        box = [x, y, x+w, y+h]
        boxes.append(box)
    return boxes

OCR識別

在進行預處理和分割後，即可利用Pytesseract進行OCR識別任務。

import pytesseract

def ocr(image):
    # 圖像預處理
    image = preprocess(image)
    # 文字分割
    boxes = find_text_boxes(image)
    # OCR識別
    result = ''
    for box in boxes:
        text = pytesseract.image_to_string(image[box[1]:box[3], box[0]:box[2]], lang='chi_sim')
        result += text
    return result

小結

利用Python Pytesseract進行OCR識別任務可以有效地提高信息處理效率和準確度。本文從圖像預處理、文字分割和OCR識別三個方面介紹了Pytesseract的使用方法，希望能夠為讀者提供參考。