Python制作简易OCR文字识别系统_python 文字识别

前不久看了一篇“如何使用Python检测和识别车牌？”用OpenCV对输入图像进行预处理，用imutils将原始输入图像裁剪成所需的大小，用pytesseract将提取车牌字符转换成字符串(车牌识别)。

但经实测，美式车牌识别基本正确，但中国92式车牌、新能源车牌识别基本失败，失败的现象主要是将汉字识别为字母，或将汉字与后面的字母合并识别为另一个汉字。将“GA36-2007中华人民共和国机动车号牌”标准上的37个汉字用pytesseract进行汉字识别，正确率小于50%，但网页截屏识别正确率极高(高于95%)，只有极个别字识别错误。因此就用Python做了个界面，制作成了“简易OCR文字识别系统”，这样通过鼠标操作就可以将图片文字转换为文本文字(如图1所示)，识别效果见图19~22。

图1 简易OCR文字识别系统界面

一、pytesseract简介

tesseract原意为：宇宙魔方、超立方体、超正方体、四维超正方体、四次元立方体等意。pytesseract库是Python开源的OCR(光学字符识别)库，能够识别图片上的数字、英文和中文等。它要求字迹规整、清晰可见，适合识别印刷体(如报刊、杂志照片，电脑或手机截屏等)。其他如手写体、车牌、验证码等识别效果较差。

二、pytesseract安装

pytesseract库属于人工智能(AI)领域的库，需要配置底层应用和依赖库，不是一条pip就能完成安装。pytesseract库依赖Tesseract-OCR，也就是要安装Tesseract-OCR才有效。

1. 安装和配置Tesseract-OCR

Tesseract-OCR是一款由HP实验室开发，由Google维护的开源OCR(Optical Character Recognition , 光学字符识别)引擎。与Microsoft Office Document Imaging(MODI)相比，Tesseract-OCR是可以不断地训练的库，使图像转换文本的能力不断增强；如果团队深度需要，还可以以它为模板，开发出符合自身需求的OCR引擎(比如车牌识别)。

(1) 下载Tesseract-OCR

1. GitHub 官网地址：查看源码

https://github.com/tesseract-ocr/tesseract

在这可以查看和下载源码，自己编译，如果不想查看源码。只想直接使用，请下载下面的官网安装包。

官网安装包下载地址1：https://digi.bib.uni-mannheim.de/tesseract/

官网安装包下载地址2：https://github.com/UB-Mannheim/tesseract/wiki 

本人安装的是tesseract-ocr-w64-setup-v5.3.0.20221214.exe(见图2)。

(2) 安装Tesseract-OCR

双击下载的安装包进行安装。

图2 下载的安装包

选择语言就用默认的英语(此语言指安装程序所用语言)。

 图3 选安装语言界面

待定安装时的语言(没有中文)后，选同意安装(I Agree)。

 图4 授权协议界面

选择组件时，注意把汉字笔迹训练数据的简体、繁体都选上，这样可以进行简体汉字和繁体汉字的识别。

 图5 选择安装组件界面

点Additional script data (download)前的“+”，从中选图6中的4项：Han Simplified script、Han Simplified vertical script(简体)，Han Traditional script、Han Traditional vertical script(繁体)。

 图6 选择添加笔迹数据界面

把汉字语言训练数据的简体、繁体也都选上。

Additional language data (download)中选四项(见图7)：Han Simplified script、Han Simplified vertical script(简体)，Han Traditional script、Han Traditional vertical script(繁体)。

 图7 选择添加语言数据界面

选择安装组件(选中文简体、繁体共四项)，见图8。

 图8 选择中文组件界面

组件选好后，需要选择安装路径(见图9)。默认安装路径为：C:\Program Files\Tesseract-OCR，如果修改了安装目录，建议先复制一份，后面配置环境变量时要用到。

 图9 确定安装路径界面

出现图10画面后，点击“安装”(Install)进行安装。

 图10 等待安装界面

如出现“Next”(下一步)就一直点击。

 图11安装时的安装进度界面

直到安装完成。

 图12 安装完成时界面

出现图12界面时，点击“完成”(Finish)完成安装。

安装结束后，进入窗口运行模式(开始→运行→cmd)，输入：tesseract --version

如出现图13提示，表明tesseract安装时未在系统搜索路径(path)中，需要配置环境变量，需手工配置。

 图13 测试版本失败界面

(3) 配置环境变量

1. 配置系统变量：path

添加Tesseract-OCR安装目录(如：C:\Program Files\Tesseract-OCR)搜索路径。

选“系统变量”中的path，然后点“编辑”，此时会弹出如图14所示的编辑环境变量对话框，点“新建”，输入安装Tesseract-OCR安装目录(此例为默认安装目录：C:\Program Files\Tesseract-OCR)。

图14 环境变量中系统变量配置界面

1. 添加系统变量：TESSDATA_PREFIX

添加 TESSDATA_PREFIX 系统变量(见图15)，值为：C:\Program Files\Tesseract-OCR\tessdata，即Tesseract-OCR安装目录下的tessdata文件夹。

 图15 环境变量中添加系统变量界面

配置后，需重启电脑配置才能生效。

(4) 查看Tesseract-OCR是否安装成功

cmd运行输入：tesseract --version，能够正确显示版本号，说明成功。

图16 测试版本成功界面

如没有汉字训练集将无法识别汉字，可下载语言包解压到Tesseract-OCR安装目录下的tessdata文件夹(如：C:\Program Files\Tesseract-OCR\tessdata)。

本人下载的tesseract-ocr-w64-setup-v5.3.0.20221214.exe，安装后已有汉字训练集，如图17。

 图17 安装目录下tessdata文件夹界面

也可用命令tesseract --list-langs查看本地Tesseract-OCR支持语言库。

图18 检查安装语言库界面

2. 安装Python的pytesseract库

pip install pytesseract

pytesseract库非常小，只有14K，它只要是调用前面安装的Tesseract-OCR进行文字识别。

三、pytesseract应用

导入pytesseract库后

用pytesseract.image_to_string()方法将识别文字以字符串形式返回。语法结构如下：

pytesseract.image_to_string(image, lang=None, config='', nice=0,  output_type='string',

                       timeout=0)

式中：image为文字图像，lang为用指定语言识别。中文简体汉字为lang='chi_sim'，与上图箭头所指名称一致。其他用默认值。

例1：中、英文识别。

import pytesseract
from PIL import Image
 
# 英文识别
filename = '英文样本.png'
img = Image.open(filename)
result = pytesseract.image_to_string(img, lang='eng')
print(f'英文识别结果：\n {result}')
# 中文识别
filename = '简体中文.png'
img = Image.open(filename)
result = pytesseract.image_to_string(img,lang='chi_sim') #使用简体中文解析图片
print(f'中文识别结果：\n {result}')

例2：制作简易OCR文字识别系统。

Python制作GUI界面需要用到Tkinter的组件(widget)有：

1. tkinter.Frame()

Tkinter Frame(框架)组件就是一个容器。语法结构如下：

w = tkinter.Frame(master, option, ...)

其中：master为容器对象(如窗体等)，其他可以用默认值。

2. tkinter.Label()

标签(Label)组件用于显示不可编辑的文本或图形、图像。语法结构如下：

w = tkinter.Label(master, option, ...)

其中：master为容器对象(如窗体、框架等)。options: 可选项，即该标签的可设置的属性。这些选项可以用键=值的形式设置，并以逗号分隔。重要选项：image设置标签显示的图像；text设置显示的文本，可以包含换行符(\n)。

由于Tkinter只支持.png和.gif格式图像，且没有缩放功能，故其他格式图像需要用模块PIL的Image进行缩放、用PIL的ImageTk进行格式转换。

3. tkinter.Button()

功能按钮(Button)组件也可称作按钮，在组件中可以设计在单击功能按钮时，执行某一个特定的动作(callback方法)。语法结构如下：

tkinter.Button(master, option, ...)

其中：master为容器对象(如窗体、框架等)。options: 可选项，即该标签的可设置的属性。这些选项可以用键=值的形式设置，并以逗号分隔。重要选项：command单击功能按钮时，执行此方法(一般是自定义函数)；image设置功能钮上显示的图像；text设置功能按钮的文字名称。

4. tkinter.Scorllbar()

使用滚动条组件，可以给其他组件添加流动条。语法结构如下：

tkinter.Scorllbar(master, [orient=None, ][options])

其中：master为容器对象(如窗体、框架等)。options: 可选项，即该标签的可设置的属性。这些选项可以用键=值的形式设置，并以逗号分隔。重要选项：orient用于指定方向，默认为垂直方向，可设为HORIZONTAL(水平，tkinter常量)、VERTICAL(垂直，tkinter常量)；command设置回调控件的xview方法(水平方向)或回调控件的yview方法(垂直方向)；set()方法将scroll和其它的控件关联。

tk.Radiobutton(frm_tools, variable=v_r, text=mF, value=i)

5. tkinter.Radiobutton()

单选钮组件也称单选框，用于单选，一组中只能选项。单选钮可以添加文本和图像。当单选钮选择，可以执行指定的函数，或者获取所选的值。使用单选按的语法结构如下：

tkinter.Radiobutton(master, options)

其中：master为容器对象(如窗体、框架等)。options: 可选项，即该标签的可设置的属性。这些选项可以用键=值的形式设置，并以逗号分隔。重要选项：text设置单选钮文本显示内容(选项名称)；variable为选按钮索引变量，通过变量的值确定哪个单选项被选中；value设置单选钮选中时设定variable的值；command设置单选钮选中时调用命令(函数)。

还有两个对话框：打开文件对话框和“另存为”对话框，详见实例。

简易OCR文字识别系统界面用二个框架，上一框架用于布置功能按钮和选项，包括：“打开”按钮打开待识别图像，将所选图像缩放到合适的大小在标签中显示；“识别”按钮将打开的图像按选定语言识别为选定语言的文字，并在多行文本框中显示(可编辑)；“保存”按钮将所识别、修改后的文本用图像名保存在图像所在文件夹(纯文本格式)；“另存为”按钮用户可改变文件夹、文件名保存所识别、修改后的文本；三个语言单选钮，可选择“纯英文”、“简体中文”和“繁体中文”。下一框架用天显示待识别的图像的标签、显示识别后的文本(可编辑)的多行文本框和滚动条(当识别显示的文本超过文本框高度时控制文本滚动)，参考图1。

完整代码如下：

####################################################
# 设计 Zhang Ruilin          创建 2023-03-25 09:19 #
# 简易文字识别(OCR)：支持 PNG 格式图片，可编辑保存 #
####################################################
import pytesseract as ocr			    # OCR模块
import tkinter as tk				    # 导入模块tkinter为别名tk
from tkinter import filedialog as fd	导入对话框
from PIL import Image,ImageTk			# 导入Python图像处理库
 
win = tk.Tk()					        # 创建窗体
win.title('简易文字识别(OCR)系统')		# 设置标题
file_name = ''
 
def openimg():
    global file_name
    file_name = fd.askopenfilename(filetypes=(('图片',['.png','.gif','.jpg',
                    '.jpeg','.bmp','tif']),))   # Tk只支持png、gif，需转换
    print(file_name)
    try:
        im = Image.open(file_name)
        ratio = 1
        if im.size[0] > 400 or im.size[1]>600:	# 缩放高不超过600，宽不超过400
            ratio = min(400/im.size[0],600/im.size[1])
            im = im.resize((int(ratio*im.size[0]+0.5),int(ratio*im.size[1]+0.5)))
        photo = ImageTk.PhotoImage(im)	# 用PIL转换为tkinter支持图像
        img.config(image = photo)		# 更新图像
        img.photo_ref = photo 
    except:
        pass
 
def do_save():					        # 保存文件
    global file_name
    content = text.get(1.0, tk.END)		# 获取文本框的内容
    fname = file_name.split('.')
    fname[-1] = 'txt'				    # 改文件名为文本文件
    file_path = '.'.join(fname)			# 在图片同文件夹保存同名识别文件
    with open(file_path, 'w') as fw:
        fw.write(content)			    # 写文件
 
def do_saveas():				        # 另存文件
    fname = fd.asksaveasfile(initialdir=file_name,defaultextension='.txt',
            filetypes=(('文本文档', '.txt'),))
    content = text.get(1.0, tk.END)		# 获取文本框的内容
    fname.write(content)			    # 写文件
    fname.close()
 
def do_ocr():					        # 开始识别
    global file_name
    img = Image.open(file_name)
    print(v_r.get(),mLang[v_r.get()])
    result = ocr.image_to_string(img,
                 lang=mLang[v_r.get()])	# 使用对应字体集解析图片
    text.delete(1.0, tk.END)			# 清空文本框内容。1.0=1行1列
    text.insert(tk.END, result)			# 在文本最后插入内容
 
frm_tools = tk.Frame(win)			    # 创建放工具按钮的框架
frm_tools.pack()
frm_edits = tk.Frame(win)			    # 创建放编辑器的框架
frm_edits.pack()
 
# 创建一排工具，作为功能操作和参数选择，放置于frm_tools框架
lal_spc1 = tk.Label(frm_tools,width=1)	# 功能分类间隔1
lal_spc2 = tk.Label(frm_tools,width=1)	# 功能分类间隔2
photo0 = tk.PhotoImage(file='open.png')
btn_open = tk.Button(frm_tools, text='打开', image=photo0,
            command=openimg)			# 创建按钮用于打开图像
photo1 = tk.PhotoImage(file='save.png')
btn_save = tk.Button(frm_tools, text='保存', image=photo1,
            command=do_save)			# 创建按钮用于保存文本
photo2 = tk.PhotoImage(file='saveas.png')
btn_saveas  = tk.Button(frm_tools, text='另存', image=photo2,
            command=do_saveas)			# 创建按钮用于“另存”文本
photo3 = tk.PhotoImage(file='ocr.png')
btn_ocr = tk.Button(frm_tools, text='识别', image=photo3,
            command=do_ocr)			    # 创建按钮用于识别文本
# 放置按钮
btn_open.pack(side=tk.LEFT)
btn_ocr.pack(side=tk.LEFT)
lal_spc1.pack(side=tk.LEFT)
btn_save.pack(side=tk.LEFT)
btn_saveas.pack(side=tk.LEFT)
lal_spc2.pack(side=tk.LEFT)
# 放置单选钮
mFont = ('纯英文','简体中文','繁体中文')	# 定义三个语言单选钮
mLang = ['eng','chi_sim','chi_tra']		# 定义三个单选包对应的语言
v_r = tk.IntVar()
v_r.set(1)					            # 设置简体中文被选中，被选中v_r=value值
for i,mF in enumerate(mFont):
    tk.Radiobutton(frm_tools, variable=v_r, text=mF, value=i).pack(side=tk.LEFT)
# 创建标签，用于显示打开的待识别图像，放置于frm_edits框架
img = tk.Label(frm_edits, text=' '*50+'\n'*24, relief='sunken')
img.pack(side=tk.LEFT, fill=tk.BOTH)
# 创建多行文本框，用于显示、编辑识别文字，放置于frm_edits框架
text = tk.Text(frm_edits,width=50,heigh=40)
text.pack(side=tk.LEFT,fill=tk.BOTH)
ysbar = tk.Scrollbar(frm_edits, command=text.yview)	# 在frm_edits框架中创建滚动条					# 添加滚动条到框架
ysbar.pack(side=tk.LEFT, fill=tk.Y)
text.config(yscrollcommand=ysbar.set)	# 滚动条与文本框绑定
 
win.mainloop()							# 进入消息循环

识别效果：见图19~22。

图19 纯英文识别效果

 图20 简体中文识别效果

 图21 简体中文用繁体识别效果(有简转繁效果)

 图22 繁体中文识别效果