Tesseract OCR

放在前面 ：本文主要参考了这篇 知乎专栏-Gemfield 时间有限，长话短说，主要是放一些资源，方便查找。 1.预处理 对于中文识别来说，不做预处理简直惨不忍睹。主要手段为 binarize and de-noise image； 高斯模糊之类的blur算法； 缩放图像（fix text size，e.g. 12 pt should be ok)； 锐化（Sharpening effect）； fix DPI (if needed) 300 DPI is minimum； try to fix illumination of image (e.g. no dark part of image); contrast, brightness... it tends to work best when there is just black & white, i.e. no greyscale; 去掉图片中无关的线条; 高对比度； 详细的 官方教程 再放一个有人制作的相关工具 textcleaner ， 这里 有一小段介绍 2. 识别中文 下载中文语言包，简体中文的代号为chi_sim，每种语言在新时代的tesseract都应该有3种语言包：fast版、best版、raw版。fast版是考量了速度，并对准确度做了一定的妥协，apt安装的时候下载的语言包模型正是fast版

总览 光学字符识别（OCR）是计算机视觉领域中广泛使用的系统 了解如何为各种任务构建自己的OCR 我们将利用OpenCV库和Tesseract来构建OCR系统 介绍 你还记得考试期间我们必须填写正确答案的日子吗？或者你还记得在开始第一份工作之前进行的能力测验呢？我可以回忆起奥林匹克竞赛和多项选择测试，大学和组织会使用光学字符识别（OCR）系统对答卷进行大量评分。 老实说，OCR在广泛的行业和功能中都有应用，因此从扫描文档（包括银行对帐单，收据，手写文档，优惠券等）到阅读自动驾驶汽车的路牌，都在OCR的范畴内。 OCR系统在几十年前建造起来是非常昂贵和繁琐的，但随着计算机视觉和深度学习领域的进步意味着我们现在可以建立自己的OCR系统了！ 但是，建立OCR系统并不是一件容易的事，对于初学者来说，面临着诸如图像中的字体不同，对比度差，图像中有多个对象等问题。 因此，在本文中，我们将探讨OCR任务的一些非常著名且有效的方法，以及如何自己实施。 如果你不熟悉目标检测和计算机视觉，建议你先阅读以下资源： 基本目标检测算法的介绍 https://www.analyticsvidhya.com/blog/2018/10/a-step-by-step-introduction-to-the-basic-object-detection-algorithms-part-1 计算机视觉课程 https:

一开始尝试使用mingw+msys编译tesseract, 但是苦于mingw-get安装的软件版本都太旧，要安装新版本只能下载源码编译安装。 在编译过程中遇到了很多麻烦，最后还遇到了包直接循环依赖问题(glib和pkg-config)，最终只能作罢。 1. 下载安装mysy2 地址: https://www.msys2.org/ 安装后打开 msys2.exe , 务必要先更新软件包数据库和核心系统包(很重要)， 否则在安装tesseract过程中出现莫名奇妙的问题。 pacman - Syu # -y, --refresh 从服务器下载新的软件包数据库 (- yy 强制更新软件包数据库) # -u, --sysupgrade 升级所有已安装的软件包 (-uu 可启用降级) 2. 更新软件源 默认的MSYS2 源升级软件或是安装新软件的较慢，这里为了提高速度使用 中科大的源 编辑 /etc/pacman.d/mirrorlist.mingw32 ，在文件开头添加： Server = http: // mirrors.ustc.edu.cn/msys2/mingw/i686 编辑 /etc/pacman.d/mirrorlist.mingw64 ，在文件开头添加： Server = http: // mirrors.ustc.edu.cn/msys2/mingw/x86_64 编辑

其中PIL为Python Imaging Library，已经是Python平台事实上的图像处理标准库了。PIL功能非常强大，但API却非常简单易用。 PIL第三方库安装 pip install PIL Image 类是 PIL 库中一个非常重要的类，通过这个类来创建实例可以有直接载入图像文件，读取处理过的图像和通过抓取的方法得到的图像这三种方法。 python中PIL模块中有一个叫做ImageEnhance的类，该类专门用于图像的增强处理，不仅可以增强（或减弱）图像的亮度、对比度、色度，还可以用于增强图像的锐度。 环境：Windows7 64位、python3.5、selenium3.8 一、安装PIL 打开dos命令窗口，进入python安装目录C:\Python\Scripts，输入：pip install pillow 。如下图： 二、安装Tesseract Tesseract-OCR 下载地址 : http://jaist.dl.sourceforge.net/project/tesseract-ocr-alt/tesseract-ocr-setup-3.02.02.exe tessdata 目录存放的是语言字库文件，和在命令行界面中可能用到的参数所对应的文件. 这个安装程序默认包含了英文字库。 如果想能识别中文，可以到 http://code.google.com/p

tesseract中文语言文件包 下载 tesseract中文语言文件包 下载 tesseract中文语言文件包 下载 下载地址是：https://github.com/tesseract-ocr/langdata 来源： oschina 链接： https://my.oschina.net/u/4259287/blog/4463431

using System; using System.Collections.Generic; using System.ComponentModel; using System.Data; using System.Drawing; using System.Linq; using System.Text; using System.Threading.Tasks; using System.Windows.Forms; using Emgu.CV; //3.2.02 using Emgu.CV.VideoStab; using Emgu.CV.ML; using Emgu.CV.OCR; using Emgu.CV.Structure; //https://github.com/iobrains/OpenCV namespace CharacterRecognition { /// <summary> /// geovindu edit /// </summary> public partial class MainWnd : Form { string path; public MainWnd() { InitializeComponent(); } /// <summary> /// /// </summary> /// <param name="sender"><

废话不多说，直接介绍如何下载安装tesseract-OCR以及pytesseract和PIL资源 文末百度网盘都有 Tesseract是一个开源的OCR引擎，能识别100多种语言（中，英，韩，日，德，法…等等）pytesseract是python里的一个基于Tesseract的包。 1.首先下载并安装tesseract-ocr软件 2.安装python库:pip install pytesseract和pip install pillow 无论是windows系统还是Lunix系统，都可以到GitHub下载相关版本。 链接：https://github.com/tesseract-ocr/tesseract/ 进入链接后，在下面找到安装介绍，点击蓝色划横线部分 第二步 点击蓝色划横线部分 第三步：到这里根据自己的Windows系统选择32位或者64位 或者直接在这里选你要的版本 https://digi.bib.uni-mannheim.de/tesseract/ 下载完成之后点击安装 安装过程中按照提示即可，过程中还有多种文字识别语言支持。想要识别中文的朋友记得勾选下载相应的语种。 之后打开cmd也就是命令行模式输入：pip install tesseract (python3.0以上的朋友下载python解析器的时候自带pip，不用再下载pip了) 等待安装成功

Airtest 是一款 基于图像识别原理 的跨平台UI自动化测试框架，它能够根据大量的 特征点 来识别一个截图在当前画面中的位置，但是它并不能识别出截图中具体包含了什么文字。 而在自动化测试的过程中，我们会经常遇到需要进行文字识别的场景，比如 识别验证码 、 识别截图中的文字 、 读取截图中的数值 等等，遇到这些情况时我们可以如何处理呢？ 今天教大家用一款免费的开源图像OCR文字识别软件 -- Tesseract-OCR 来处理上述情况。 1.安装Tesseract-OCR.exe 自动化软件测试交流群：642830685，领取最新软件测试资料大厂面试和Python自动化学习资料！一起学习交流 在网上搜索“Tesseract”，我们可以找到很多Tesseract-OCR的下载链接和安装教程，大家可以选择其中一个版本下载到本地即可。 下载完成后双击进入安装，需要特别注意的是，在选择安装的组件时，我们需要把 Additional language data(download) 这一选项勾上，目的是 安装各个版本的语言包 ，后续我们就不用手动下载语言包来安装了。 还有一点要注意的是，记住我们选择的软件安装路径，因为我们需要把这个路径添加到 系统环境变量 的 path 中： 另外一个要新增的环境变量是 TESSDATA_PREFIX ，如下图所示，未设置在识别过程中会报 Please

环境 操作系统：Ubuntu Kylin 优麒麟 20.04 LTS 适用架构：AMD64、ARM64（鲲鹏、飞腾） 方法 sudo apt install gimagereader tesseract-ocr-chi-sim tesseract-ocr-chi-sim-vert 来源： oschina 链接： https://my.oschina.net/chipo/blog/4406181

下载 wget https://github.com/tesseract-ocr/tesseract/archive/4.1.0.tar.gz wget http://www.leptonica.org/source/leptonica-1.74.4.tar.gz 安装依赖： yum install autoconf automake libtool libjpeg-devel libpng-devel libtiff-devel zlib-devel 安装leptonica tar -xzvf leptonica-1.74.4.tar.gz cd leptonica-1.74.4.tar.gz ./configure --profix=/usr/local/leptonica make sudo make install 很多其他教程到这一步就直接开始安装 tesseract，实际上如果你照着教程走的话，再 configure 的时候就会报错：找不到 leptonica。所以我们要先配置一下 leptonica 的环境变量。 打开 /etc/profile vim /etc/profile 添加以下字段 PKG_CONFIG_PATH=$PKG_CONFIG_PATH:/usr/local/leptonica/lib/pkgconfig export PKG_CONFIG