使用pytesseract进行图像识别

引言

　　对于简单验证码及一些图像的识别，我们需要使用pytesseract及相应的Tesseract引擎，它是开源的OCR引擎。帮助我们做一些简单的图像识别

　　当然为了更好将图片识别，对一些像素比较低的图片，我们会做一定的灰度处理，方便图像识别，参考https://www.jb51.net/article/141428.htm

　　在图像识别过程中我们要注意识别的图像内容不要靠近边框

　　对于单个数字我们要做相应的参数处理，否则识别不出来。

　　我们可以从gitHUB中获取Tesseract引擎，及相应的培训数据，目前已跟新到4.0版本了，下载网址：https://github.com/tesseract-ocr/tesseract/wiki

一、安装pytesseract和PIL

　　　PIL全称：Python Imaging Library，python图像处理库，这个库支持多种文件格式，并提供了强大的图像处理和图形处理能力。

　　　由于PIL仅支持到Python 2.7，所以在PIL的基础上创建了Pillow库，支持最新Python 3.x。

　　1、pip命令安装

　　　　pip install pytesseract

　　　　pip install Pillow

　　2、使用pycharm编辑器安装，如下操作步骤。

　　安装成功：

　　安装pytesseract时，同时安装pillow，所以我们只需安装pytesseract即可。

　　3.尝试运行，

源码如下：

1 from PIL import Image
2 import pytesseract
3
4 Image = Image.open('1.png')   # 打开图片
5 text = pytesseract.image_to_string(Image,lang='chi_sim')  #使用简体中文解析图片
6 print(text)

　　　出现报错，如下图，

　　　原因：没有安装识别引擎tesseract-ocr

二、安装识别引擎tesseract-ocr

　　1.Tesseract是开源的OCR引擎。Tesseract最初设计用于英文识别，经过改进引擎和训练系统，它能够处理其它语言和UTF-8字符。Tesseract 3.0能够处理任何Unicode字符，但并非在所有语言上都工作得很好。Tesseract在庞大字符集语言（比如中文）上较慢，但是工作良好。

　　下载链接: https://pan.baidu.com/s/1J0HNoVhX8WexS_5r0k2jDw 密码: ywc3

　　因为tesseract-ocr默认不支持中文识别。

　　 将下载到的文件：chi_sim.traineddata 放到Tesseract-OCR安装目录 D:\Program Files (x86)\Tesseract-OCR\tessdata 下，如图：

　　2，安装完成tesseract-ocr后，需要做一下配置 。

　　　　在Python安装目录（如：D:\Python35\Lib\site-packages\pytesseract） 中修改 pytesseract.py文件。

　　　　也可以通过pycharm，Ctrl+B 快速打开pytesseract源码文件：

　　3.尝试运行，出现如下报错：

　　pytesseract.pytesseract.TesseractError: (1, 'Error opening data file \\Program Files (x86)\\Tesseract-OCR\\chi_sim.traineddata Please make sure the TESSDATA_PREFIX environment variable is set to your 　　"tessdata" directory. Failed loading language \'chi_sim\' Tesseract couldn\'t load any languages! Could not initialize tesseract.')

　　4.解决方法：将tessdata目录的上级目录所在路径：(默认为tesseract-ocr安装目录)添加至TESSDATA_PREFIX环境变量中，如下图：

　　　　注意：配置完环境变量需要重新打开pycharm编辑器（IDE）。

　　5.再次运行结果：图片识别成功！

　　但识别率不是很高，后期优化，持续更新。