OCR

OCR(Optical Character Recognition) 光学字符识别：是一种将图像中的文字自动转换为可编辑文本的技术。

比较常用的OCR库：PaddleOCR和pytesseract。

一，pytesseract库

pytesseract是一个将Tesseract OCR引擎封装为python的库，它依赖于Tesseract OCR引擎。特点：

• 使用了传统的OCR引擎（Tesseract），也支持一些基本的图像处理操作。
• 支持多种语言的文本识别，包括中文、英文、法文、德文等。
• 使用简单，直接调用pytesseract.image_to_string()方法。

官方网站：https://github.com/tesseract-ocr/tesseract
官方文档：https://github.com/tesseract-ocr/tessdoc
语言包地址：https://github.com/tesseract-ocr/tessdata
下载地址：https://digi.bib.uni-mannheim.de/tesseract/

 

1，安装指引安装，期间设置指定安装目录。如需额外的语言包，则另外单独下载。

2，配置环境变量。

3，测试

 4，安装pytesseract包

pip install pytesseract -i https://pypi.tuna.tsinghua.edu.cn/simple

5，代码

import pytesseract
from PIL import Image

img=Image.open('ocr.jpg')
result=pytesseract.image_to_string(img)
print(result)

报错

pytesseract.pytesseract.TesseractNotFoundError: tesseract is not installed or it's not in your PATH. See README file for more information.

解决方法：

1. 将tesseract安装目录添加到电脑的环境变量。
2. 在代码中指定tesseract的路径。

   pytesseract.pytesseract.tesseract_cmd=r'D:\Program Files\Tesseract-OCR\tesseract.exe'

    

二，PaddleOCR

PaddleOCR是一个基于PaddlePaddle深度学习框架的OCR库，支持多种语言的文本识别。

特点如下：

• 使用了基于深度学习的OCR模型，如CRNN、Attention OCR等，可以获取较高的识别经度。
• 支持多种语言识别，包括中文，英文，日文，韩文等。
• 提供了丰富的预训练模型，可以直接使用，也可以进行迁移学习。
• 支持单张和批量图片的识别。

import cv2 
from paddleocr import PaddleOCR 
 
ocr = PaddleOCR()
 
# 读取图片 
img = cv2.imread('example.jpg')
 
# 进行 OCR 识别 
results = ocr.ocr(img)
 
# 输出识别结果 
for line in results:
    print(line)

PaddleOCR与pytesseract对比

• 识别精度：PaddleOCR使用基于深度学习的模型，识别精度较高；pytesseract依赖于Tesseract OCR引擎，识别精度低。
• 语言支持：PaddleOCR支持语言识别多，而pytesseract支持的语言相对较少。
• 模型：PaddleOCR提供了丰富的预训练模型，可以进行迁移学习，而pytesseract则需要自己训练模型。
• 使用便利性：pytesseract使用更简单。

根据需求和场景，可以选择合适的OCR库。如果对识别度要求较高，建议使用PaddleOCR；如果只是简单的OCR任务，可以使用pytesseract。