处理给规范的文字

标签：根据   roc   转换   ORC   一个   文件中   文本   txt   很多   

ORC库概述

在读取和处理图像、图像相关的机器学习以及创建图像等任务中，Python 一直都是非常出色的语言。虽然有很多库可以进行图像处理，在这里只重点介绍：Tesseract

Tesseract

Tesseract 是一个 OCR 库,目前由 Google 赞助(Google 也是一家以 OCR 和机器学习技术闻名于世的公司)。Tesseract 是目前公认最优秀、最精确的开源 OCR 系统。 除了极高的精确度,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。

处理给规范的文字

你要处理的大多数文字都是比较干净、格式规范的。格式规范的文字通常可以满足一些需求,不过究竟什么是“格式混乱”,什么算“格式规范”,确实因人而异。 通常,格式规范的文字具有以下特点:

• 使用一个标准字体(不包含手写体、草书,或者十分“花哨的”字体)
•  虽然被复印或拍照,字体还是很清晰,没有多余的痕迹或污点
• 排列整齐,没有歪歪斜斜的字
• 没有超出图片范围,也没有残缺不全,或紧紧贴在图片的边缘

文字的一些格式问题在图片预处理时可以进行解决。例如,可以把图片转换成灰度图,调 整亮度和对比度,还可以根据需要进行裁剪和旋转（详情请关注图像与信号处理），但是,这些做法在进行更具扩展性的 训练时会遇到一些限制。

示例

通过下面的命令运行 Tesseract，读取文件并把结果写到一个文本文件中: tesseract test.jpg text

cat text.txt 即可显示结果。

1 wljdeMacBook-Pro:Desktop wlj$  tesseract test.jpg text
2 Tesseract Open Source OCR Engine v3.05.01 with Leptonica
3 wljdeMacBook-Pro:Desktop wlj$ cat text.txt
4 This is some text, written in Arial, that will be read by
5 Tesseract. Here are some symbols: !@#$%"&*()

识别结果很准确,不过符号^分别被表示成了双引号。大体上可以让你很舒服地阅读。

通过Python代码实现

1 import pytesseract
2 from PIL import Image
3 
4 image = Image.open(‘test.jpg‘)
5 text = pytesseract.image_to_string(image)
6 print text

运行结果一样。

对图片进行阈值过滤和降噪处理

很多时候我们在网上会看到这样的图片：

Tesseract 不能完整处理这个图片,主要是因为图片背景色是渐变的,最终结果是这样: 

随着背景色从左到右不断加深,文字变得越来越难以识别,Tesseract 识别出的 每一行的最后几个字符都是错的。

遇到这类问题,可以先用 Python 脚本对图片进行清理。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:

除了一些标点符号不太清晰或丢失了,大部分文字都被读出来了。Tesseract 给出了最好的 结果:

 

This IS some text. written In Arial. that will be ,
Tesseract Here are some symbols: IW“ ’

图形验证码识别： 

1 import tesserocr
2 from PIL import Image
3 
4 image = Image.open(‘code.jpg‘)
5 result = tesserocr.image_to_text(image)
6 print(result)

在这里我们新建了一个Image对象，调用了tesserocr的image_to_text()方法。传入该Image对象即可完成识别，实现过程非常简单，结果如下所示：

JR42

另外，tesserocr有个更加简单的方法，这个方法可以直接将图片文件转为字符串，代码如下所示：

1 import tesserocr
2 
3 print(tesserocr.file_to_text(‘code.jpg‘))

结果为：

.ll?42

此方法是别效果不如上一种方法好。

验证码处理

重新用如下代码测试：

1 import tesserocr
2 from PIL import Image
3 
4 image = Image.open(‘code2.jpg‘)
5 result = tesserocr.image_to_text(image)
6 print(result)

输出结果为：

FFKT

这次是别与实际结果有偏差，这是因为验证码内的多余线条干扰了图片的识别。

对于这种情况，我们还需要做一些处理，如转灰度，二值化处理等操作。

我们可以利用Image对象的convert()方法参数传入L，即可将图像转化为灰度图像，代码如下所示：

1 image = image.convert(‘L‘)
2 image.show()

 传入1即可将图片进行二值化处理，如下所示：

1 image = image.convert(‘1‘)
2 image.show()

我们还可以指定二值化的阈值，上面的方法采用的是默认阈值127。不过我们不能直接转化原图，要将原图先转化为灰度图像，然后再指定二值化阈值。代码如下：

 1 import tesserocr
 2 from PIL import Image
 3 
 4 image = Image.open(‘code2.jpg‘)
 5 
 6 image = image.convert(‘L‘)
 7 threshold = 127
 8 table = []
 9 for i in range(256):
10     if i < threshold:
11         table.append(0)
12     else:
13         table.append(1)
14 
15 image = image.point(table, ‘1‘)
16 image.show()
17 
18 result = tesserocr.image_to_text(image)
19 print(result) 

这里threshold代表二值化阈值，图片验证码黑白分明，识别结果：
PFRT

处理给规范的文字

标签：根据   roc   转换   ORC   一个   文件中   文本   txt   很多   

原文地址：https://www.cnblogs.com/wanglinjie/p/9193897.html