图像识别与文字处理;
使用Pillow
库和Tesseract
。
图像识别与文字处理
将图像翻译成文字一般被称为光学文字识别(Optical Character Recognition
,OCR
)。可以实现 OCR
的底层库并不多,目前很多库都是使用共同的几个底层 OCR
库,或者是在上面进行定制。
OCR库概述
Python
常用的OCR
库有两个:Pillow
和 Tesseract
。每个库都可以从它们的网站上下载并安装(http://pillow.readthedocs.org/installation.html
和https://pypi.python.org/pypi/pytesseract
),或者用第三方管理器(像 pip
)通过“pillow”
和 “pytesseract”
进行安装。
Pillow
Pillow
是从 Python 2.x
版本的 Python
图像库(Python Imaging Library
,PIL
)分出来的,支持Python 3.x
版本。和PIL
一样,Pillow
也可以轻松地导入代码,并通过大量的过滤、修饰甚至像素级的变换操作处理图片:
1 | from PIL import Image,ImageFilter |
Tesseract
Tesseract
是目前公认最优秀、最精确的开源 OCR
系统。Tesseract
也具有很高的灵活性。它可以通过训练识别出任何字体,也可以识别出任何Unicode
字符。
Tesseract
是一个 Python
的命令行工具,不是通过 import
语句导入的库。安装之后,要用 tesseract
命令在Python
的外面运行。
安装 Tesseract
Windows:点击下载安装
Linux:sudo apt-get tessertact-ocr
Mac: brew install tesseract
;也可以下载源码安装
NumPy
NumPy
是一个非常强大的库,具有大量线性代数 以及大规模科学计算的方法。因为NumPy
可以用数学方法把图片表示成巨大的像素数组,所以它可以流畅地配合 Tesseract
完成任务。
NumPy 可以通过第三方包管理器(比如 pip)来安装:pip install numpy
处理格式规范的文字
例如通过运行Tesseract
,读取文件并把结果写到一个文本文件中:
1 | tesseract text.tif textoutput | cat test.txt |
Tesseract
最大的缺点是对渐变背景色的处理。利用Pillow
库,我们可以创建一个阈值过滤器来去掉渐变的背景色,只把文字留下来,从而让图片更加清晰,便于 Tesseract
读取:
1 | from PIL import Image |
在提交给 Tesseract
处理之前,那些带标题的、带有大片空白的图片,或者有其他问题的图 片,都应该做预处理。
今天的内容没有特别难,我写的比较简单,爬取网络的图片和验证码识别还没写,先从简单的消化。