OCR识别常见开源库

OCR （Optical Character Recognition，光学字符识别）技术是一种将印刷体或手写文字转化为可编辑文本的技术。亦即将图像中的文字进行识别，并以文本的形式返回。做OCR有很多库可以使用。免费开源库有：Tesseract，PaddleOCR。商业付费OCR有：腾讯云OCR，阿里云OCR。下面分别介绍。

准确识别的前提是找到正确的字体进行训练，字体很重要，要覆盖所有识别的场景。

Tesseract

Tesseract的GitHub网址：https://github.com/tesseract-ocr/tesseract

新建系统变量

我的电脑点击右键，属性，高级系统设置，环境变量，系统变量里面，新建一个TESSDATA_PREFIX变量名，路径就是tessdata文件夹的路径地址。如：D:\tessdata。

Python环境配置

pip install pytesseract
pip install matplotlib

测试代码

运行测试代码，使用Pillow读取图像

import pytesseract
from PIL import Image
import matplotlib.pyplot as plt

srcImage = Image.open('./pic/t1.jpg')
plt.imshow(srcImage)
plt.show()
text = pytesseract.image_to_string(srcImage, lang='eng')
print(text)

运行测试代码，使用OpenCV读取图像

import pytesseract
import cv2 as cv

srcImage = cv.imread('./pic/t7.jpg')
grayImage = cv.cvtColor(srcImage, cv.COLOR_BGR2GRAY)
thresh, binaryImage = cv.threshold(grayImage,0, 255, cv.THRESH_BINARY|cv.THRESH_OTSU)
blurImage = cv.GaussianBlur(binaryImage, (5, 5),3)
cv.imshow('blurImage',blurImage)
text = pytesseract.image_to_string(blurImage, lang='eng')
print(text)

cv.waitKey(0)
cv.destroyAllWindows()

VS环境配置

Tesseract的GitHub网址：https://github.com/tesseract-ocr/tesseract
在Windows下Visual Studio 调用，要先配置环境。官方有3种方法：https://tesseract-ocr.github.io/tessdoc/Compiling.html。
CMake：https://cmake.org/，SW：https://software-network.org/，Vcpkg：