Python pytesseract 库：图像文字识别原理与实战

常用 PSM (Page Segmentation Mode) 参数：

• 0: Orientation and script detection (OSD) only.
• 3: Fully automatic page segmentation, but no OSD.
• 6: Assume a single uniform block of text.
• 11: Sparse text. Find as much text as possible in no particular order.

进阶技巧：图像预处理

直接识别原始图片往往效果不佳，尤其是背景复杂或对比度低的情况。在使用 pytesseract 之前，通常需要对图像进行预处理。

1. 灰度化与二值化

将彩色图像转换为灰度图，并进行二值化处理，可以显著提高识别率。

from PIL import Image, ImageFilter, ImageOps

# 打开图像
image = Image.open('image.png')

# 转换为灰度图
gray_image = image.convert('L')

# 二值化处理 (阈值设为 150)
threshold = 150
binary_image = gray_image.point(lambda p: 255 if p > threshold else 0)

# 识别预处理后的图像
text = pytesseract.image_to_string(binary_image, lang='chi_sim')
print(text)

2. 去噪与增强

对于模糊或有噪点的图片，可以使用高斯模糊或直方图均衡化来增强。

# 高斯模糊降噪
blurred_image = gray_image.filter(ImageFilter.GaussianBlur(radius=2))

# 锐化增强
enhanced_image = blurred_image.filter(ImageFilter.SHARPEN)

text = pytesseract.image_to_string(enhanced_image, lang='chi_sim')

实际应用场景

1. 文档扫描文字提取

pytesseract 库可用于从各种类型的图像中提取文字，为自动化文本处理提供了便利。例如，从扫描的文档或图片中提取文字信息，然后进行处理或分析。

import pytesseract
from PIL import Image

image = Image.open('document_scan.png')
text = pytesseract.image_to_string(image, lang='chi_sim')
processed_text = text.upper()
print(processed_text)

2. 自动化办公流程

在自动化流程中，pytesseract 可用于将图像转换为可编辑的文本，以便进一步处理或存储。这在自动化处理大量票据、合同或表单时特别有用。

import pytesseract
from PIL import Image

image = Image.open('invoice.jpg')
text = pytesseract.image_to_string(image, lang='chi_sim')

with open('output.txt', 'w', encoding='utf-8') as f:
    f.write(text)

3. 数据抓取与分析

pytesseract 也可用于数据挖掘和分析，从图像中提取关键信息。例如，从商品标签或海报中提取价格、名称等数据以分析市场趋势。

import pytesseract
from PIL import Image

image = Image.open('product_label.png')
text = pytesseract.image_to_string(image, lang='eng')
lines = text.split('\n')
if len(lines) >= 2:
    product_name = lines[0].strip()
    price_line = lines[1]
    print(f"产品名称：{product_name}")
    print(f"价格信息：{price_line}")

常见问题与解决方案

1. 找不到 Tesseract 路径

如果报错 OSError: tesseract is not installed or it's not in your path，请确保系统已安装 Tesseract 且环境变量配置正确。可以在代码中指定路径：

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

2. 中文识别率低

默认情况下，pytesseract 可能未包含中文语言包。需下载 chi_sim.traineddata 文件放入 Tesseract 的 tessdata 目录，并在调用时指定 lang='chi_sim'。

3. 识别乱码

检查图像编码和输出编码。确保保存文件时使用 encoding='utf-8'，避免中文乱码。

总结

Python pytesseract 库是一个强大的工具，可以帮助开发者实现图像中文字的自动识别和提取。通过调用 Tesseract OCR 引擎，pytesseract 提供了简单易用的接口，使得文字识别变得轻而易举。无论是从图像中提取文本信息，还是实现图像转文字的自动化处理，pytesseract 都能够胜任。其丰富的功能和简单的使用方式，使得 pytesseract 成为文字识别领域的重要工具，极大地简化了相关任务的处理流程。