pytesseract

Введение

Скачать

Версии для Windows можно скачать с сайта университета Маннхейма uni-mannheim.de

Github репозиторий находится здесь

Установка

Рассмотрим установку на примере tesseract-ocr-w64-setup-v5.3.0.20221214.exe

Выберите язык

Нажмите Next >

Нажмите I Agree

Нажмите Next >

Нажмите Next >

Нажмите Next >

Нажмите Install

Нажмите Next >

Нажмите Finish

Добавить в PATH

Добавить путь до Tesseract в системную переменную PATH можно командой PowerShell

$Env:Path += ';C:/Program Files/Tesseract-OCR'

В Git Bash

export PATH="/c/Program Files/Tesseract-OCR:$PATH"

Узнать версию

Узнать версию Tesseract можно командой PowerShell

tesseract --version

tesseract v5.3.0.20221214 leptonica-1.78.0 libgif 5.1.4 : libjpeg 8d (libjpeg-turbo 1.5.3) : libpng 1.6.34 : libtiff 4.0.9 : zlib 1.2.11 : libwebp 0.6.1 : libopenjp2 2.3.0 Found AVX2 Found AVX Found FMA Found SSE4.1 Found libarchive 3.5.0 zlib/1.2.11 liblzma/5.2.3 bz2lib/1.0.6 liblz4/1.7.5 libzstd/1.4.5 Found libcurl/7.77.0-DEV Schannel zlib/1.2.11 zstd/1.4.5 libidn2/2.0.4 nghttp2/1.31.0

image_to_string()

tesseract ├── demo.py ├── img.png └── venv

# demo.py import pytesseract from PIL import Image img = Image.open("img.png") text = pytesseract.image_to_string(img, lang='eng') print(text)

HeiHei.ru

HeiHei.ru HeiHei.ru TestSetup.ru

Размывание

Проверим насколько хорошо Tesseract справляется с размытыми изображениями.

import pytesseract from PIL import Image, ImageFilter img = Image.open("img.png") for i in range(1, 4): print("blur: ", i) img_blur = img.filter(ImageFilter.GaussianBlur(i)) img_blur.show() text_blur = pytesseract.image_to_string(img_blur, lang='eng') print(text_blur)

blur: 1 HeiHei.ru HeiHei.ru TestSetup.ru

blur: 2 HeiHei.ru HeiHei.ru

blur: 3

blur 1 ещё распознаётся правильно. blur 2 уже находит только верхнюю строку. blur 3 уже ничего не находит.

В моём сетапе вторая строка ещё видна при blur 1.8 и уже не видна при blur 1.9.

Интересный результат получился при blur 2.1 первое слово распознано верно, второе уже с ошибкой

blur: 2.1 HeiHei.ru Heitteiru

Шум

Проверим насколько хорошо Tesseract справляется с шумом.

import pytesseract import matplotlib.pyplot as plt from PIL import Image import numpy as np from skimage import color img = Image.open("img.png") img_array = np.array(img.convert("RGB")) img_grey = color.rgb2gray(img_array) noise = np.ones_like(img_grey) * 0.2 * (img_grey.max() - img_grey.min()) noise[np.random.random(size=noise.shape) > 0.5] *= -1 img_noisy = img_grey + noise img_noisy_uint8 = (np.clip(img_noisy, 0, 1) * 255).astype(np.uint8) img_noisy_pil = Image.fromarray(img_noisy_uint8, mode="L") plt.imshow(img_noisy_pil, cmap="gray") plt.axis("off") plt.show() text_noisy = pytesseract.image_to_string(img_noisy_pil, lang="eng") print(text_noisy)

HeiHei.ru HeiHei.ru TestSetup.ru

Если увеличить амплитуду шума до 0.3 а процент отражений до 70 Tesseract в моём сетапе потеряет точку в первом слове.

# Увеличим амплитуду шума с 0.2 до 0.3 noise = np.ones_like(img_grey) * 0.3 * (img_grey.max() - img_grey.min()) # Увеличим процент значений которые мы заменяем на противоположные с 50 до 70 noise[np.random.random(size=noise.shape) > 0.3] *= -1

HeiHeiru HeiHei.ru TestSetup.ru

Если увеличить амплитуду шума до 0.5 а процент отражений до 80 Tesseract в моём сетапе уже ничего не найдёт.

Отражение

Проверим как Tesseract будет читать отзеркаленное сверху вниз изображение.

import pytesseract from PIL import Image img = Image.open("img.png") img_flipped = img.transpose(Image.FLIP_TOP_BOTTOM) img_flipped.show() text_flipped = pytesseract.image_to_string(img_flipped, lang='eng') print(text_flipped)

Isefe6gnb-in HSIH6Ikn HEIHEI Ln

Снова хочу обратить внимание на то, что с первым словом HeiHei.ru Tesseract справился хуже чем со вторым таким же словом.

pdf

С помощью Tesseract можно конвертировать изображени в формат, готовый для сохранения в .pdf

import pytesseract from PIL import Image img = Image.open("img.png") pdf_bytes = pytesseract.image_to_pdf_or_hocr("img.png", extension="pdf") with open("output.pdf", "wb") as pdf_file: pdf_file.write(bytearray(pdf_bytes))

Автор статьи: Андрей Олегович

РЕКЛАМА хостинга Beget, которым я пользуюсь более десяти лет

Конец рекламы хостинга Beget, который я всем рекомендую.