Python 利用pytesser模块识别图像文字

jacky4955

　　使用的是python的pytesser模块，原先想做的是图片中文识别，搞了一段时间了，在中文的识别上还是有很多问题，这里做记录分享。
　　pytesser，OCR in Python using the Tesseract engine from Google。是谷歌OCR开源项目的一个模块，可将图片中的文字转换成文本（主要是英文）。
　　1.pytesser安装
　　　　使用设备：win8 64位
　　　　PyTesser使用Tesseract OCR引擎，将图像转换到可接受的格式，然后执行tesseract提取出文本信息。使用PyTesser ，你无须安装Tesseract OCR引擎,但必须要先安装PIL模块（Python Image Library，python的图形库）

　　pytesser下载：http://code.google.com/p/pytesser/  若打不开，可通过百度网盘下载：http://pan.baidu.com/s/1o69LL8Y
　　PIL官方下载：http://www.pythonware.com/products/pil/
　　其中PIL可直接点击exe安装，pytesser无需安装，解压后可以放在python安装文件夹的\Lib\site-packages\  下直接使用（需要添加pytesser.pth）
　　2.pytesser源码
　　　　通过查看pytesser.py的源码，可以看到几个主要函数：

　（1）call_tesseract(input_filename, output_filename)
　　　　该函数调用tesseract外部执行程序，提取图片中的文本信息　

  （2）image_to_string(im, cleanup = cleanup_scratch_flag)
　　该函数处理的是image对象，所以需用使用im = open(filename)打开文件，返回一个image对象。其中调用util.image_to_scratch(im, scratch_image_name)将内存中的图像文件保存为bmp，以便tesserac程序能正常处理。

  （3）image_file_to_string(filename, cleanup = cleanup_scratch_flag, graceful_errors=True)
　 该函数直接使用Tesseract读取图像文件，如果图像是不相容的，会先转换成兼容的格式，然后再提取图片中的文本信息。



"""OCR in Python using the Tesseract engine from Google
http://code.google.com/p/pytesser/
by Michael J.T. O'Kelly
V 0.0.1, 3/10/07"""
import Image
import subprocess
import util
import errors
tesseract_exe_name = 'tesseract' # Name of executable to be called at command line
scratch_image_name = "temp.bmp" # This file must be .bmp or other Tesseract-compatible format
scratch_text_name_root = "temp" # Leave out the .txt extension
cleanup_scratch_flag = False  # Temporary files cleaned up after OCR operation
def call_tesseract(input_filename, output_filename):
"""Calls external tesseract.exe on input file (restrictions on types),
outputting output_filename+'txt'"""
args = [tesseract_exe_name, input_filename, output_filename]
proc = subprocess.Popen(args)
retcode = proc.wait()
if retcode!=0:
errors.check_for_errors()
def image_to_string(im, cleanup = cleanup_scratch_flag):
"""Converts im to file, applies tesseract, and fetches resulting text.
If cleanup=True, delete scratch files after operation."""
try:
util.image_to_scratch(im, scratch_image_name)
call_tesseract(scratch_image_name, scratch_text_name_root)
text = util.retrieve_text(scratch_text_name_root)
finally:
if cleanup:
util.perform_cleanup(scratch_image_name, scratch_text_name_root)
return text
def image_file_to_string(filename, cleanup = cleanup_scratch_flag, graceful_errors=True):
"""Applies tesseract to filename; or, if image is incompatible and graceful_errors=True,
converts to compatible format and then applies tesseract.  Fetches resulting text.
If cleanup=True, delete scratch files after operation."""
try:
try:
call_tesseract(filename, scratch_text_name_root)
text = util.retrieve_text(scratch_text_name_root)
except errors.Tesser_General_Exception:
if graceful_errors:
im = Image.open(filename)
text = image_to_string(im, cleanup)
else:
raise
finally:
if cleanup:
util.perform_cleanup(scratch_image_name, scratch_text_name_root)
return text

if __name__=='__main__':
im = Image.open('phototest.tif')
text = image_to_string(im)
print text
try:
text = image_file_to_string('fnord.tif', graceful_errors=False)
except errors.Tesser_General_Exception, value:
print "fnord.tif is incompatible filetype.  Try graceful_errors=True"
print value
text = image_file_to_string('fnord.tif', graceful_errors=True)
print "fnord.tif contents:", text
text = image_file_to_string('fonts_test.png', graceful_errors=True)
print text　　　
　　3.pytesser使用
　　在代码中加载pytesser模块，简单的测试代码如下：


from pytesser import *
im = Image.open('fonts_test.png')
text = image_to_string(im)
print "Using image_to_string(): "
print text
text = image_file_to_string('fonts_test.png', graceful_errors=True)
print "Using image_file_to_string():"
print text

　　识别结果如下：基本能将英文字符提取出来，但对一些复杂点的图片，比如说我尝试对一些英文论文图片进行识别，但结果实在不理想。

　　由于在中文识别方面还有很多问题，以后再进一步研究分享。
　　
　　参考：HK_JH的专栏 http://blog.iyunv.com/hk_jh/article/details/8961449