基于Python語言的圖文識別方法研究

◆史記征 崔 俊

（重慶安全技術職業學院 重慶 404020）

將圖片翻譯成文字一般被稱為光學字符識別，其英文拼寫為Optical Character Recognition，簡稱OCR。光學字符識別的處理對象是通過拍照或者掃描獲得的圖片文本資料，并對圖像文件進行分析提取，從而獲得圖片上的文字信息的過程。OCR的應用多在打印、平面廣告、印刷等行業，用來快速將圖片或紙質資料轉換為可供編輯的文本資料，技術性較強，對從業人員要求較高。在國內，對中文OCR研究水平較高的企業有漢王、清華文通、尚書，他們的產品各具特色，價格昂貴。國外對OCR的研究較早，IBM、惠普、微軟等一些大型智能產品公司，雖然沒有生產自己的OCR產品，但他們的技術人員早已掌握OCR核心原理，并在自己的軟件系統中嵌入了OCR功能。對于一般的程序設計者，并不需要完整的OCR功能，主要在開發中能夠集成基本的OCR功能就可以了。利用Python語言第三方庫，通過少量代碼，即可實現圖文識別，將給工作、生活、學習帶來極大便利。

1 Python語言圖文識別背景

1.1 Python語言的特點

吉多·范羅蘇姆（ Guido Van Rossum）作為Python語言的設計發明者，于1990年發布了Python的第一個版本。作為一種計算機高級程序設計語言，Python具有如下特點：

（1）易于學習

Python的編程思維簡單，注重邏輯、輕于語法，庫資源豐富。Python的程序流程清晰、控制簡單，保留字較少、易于理解。

（2）易于閱讀

Python代碼定義得非常清晰，它沒有使用其他語言通常用來訪問變量、定義代碼塊和進行模式匹配的命令式符號，而是采用強制縮進的編碼方式，去除了“{}”等語法符號，從而看起來十分規范和優雅，具有極佳的可讀性。

（3）免費、開源

Python是FLOSS （自由/開放源碼軟件）之一。使用Python是免費的，開發者可以自由地發布這個軟件的副本，閱讀源代碼，甚至對它做改動。

（4）高級語言

使用 Python語言編程時，無須考慮諸如管理程序內存等底層的細節，只需集中精力關注程序的主要邏輯即可。

（5）可移植性

由于Python語言具有開源的特點，Python代碼的移植非常方便，可以在各種不同的操作系統上運行，應用十分廣泛。在計算機的各個領域，Python都取得了一席之地，成長持續迅速。因為Python是用C語言開發的，正是由于C語言具有極強的可移植性，使得在任何帶有 ANSI C編譯器的平臺上也可以運行Python代碼。

（6）面向對象

Python不但支持面向對象編程，也支持面向過程編程。在“面向對象”的編程語言中，程序代碼是由數據和功能組合而成的對象構建起來的。與其他的面向對象語言不同，Python以極其簡單而又非常強大編碼風格實現了面向對象編程。在“面向過程”的語言中，程序是由過程或僅僅是可重用代碼的函數構建起來的。

（7）解釋性

Python作為一種解釋型編程語言，在開發過程中不存在編譯環節。通常情況下，由于程序運行不依賴于本地機器碼，純粹的解釋型語言通常比編譯型語言運行得慢。然而，與 Java語言類似，Python本質上是字節編譯的，其結果就是可以生成一種近似于機器語言的中間形式。這不僅改善了Python的性能，同時使它保持了解釋型語言的優點。

（8）可擴展可嵌入性

在Python中，部分程序可以使用其他語言編寫，如C/C++。同時，Python還可以嵌入到C/C++程序中，為它們提供腳本功能。

1.2 Python語言版本

Python發展至今，經歷了多個版本的更迭，目前仍然保留的版本主要是基于Python2.X和Python3.X。Python3.X 是未來的趨勢，有許多重要的類庫都已經停止對Python2.X的更新，只保留對Python3.X的更新。

1.3 圖文識別API

Python進行圖文識別主要使用 pytesseract庫和 pillow庫。PyTesser是 Python的光學字符識別模塊，它將圖像或圖像文件作為輸入并輸出一個字符串。PyTesser使用Tesseract OCR引擎，將圖像轉換為可接受的格式，并將 Tesseract可執行文件作為外部腳本調用。PIL（Python Imaging Library）是Python平臺上的圖像處理標準庫，PIL功能非常強大，但其API卻非常簡單易用。由于PIL僅支持到Python 2.7，于是有編程愛好者在PIL的基礎上創建了兼容的版本，名字叫pillow，支持最新的Python 3.x。圖文識別需要安裝Tesseract OCR引擎，Tesseract的Windows安裝包下載地址為：http：//digi.bib.uni-mannheim.de/tesseract/tesseractocr-setup-4.00.00dev.exe，下載后雙擊直接安裝即可。安裝完成后，需要將Tesseract添加到系統變量中。如識別中文漢字，需到https：//github.com/tesseract-ocr/tessdata/find/master/chi_sim.traineddata下載chi_sim.traineddata文件，然后將chi_sim.traineddata文件放到Tesseract OCR引擎安裝目錄下的tessdata文件夾下。

2 Python語言在圖文識別中的應用

2.1 第三方庫安裝

Python第三方庫最常用的安裝方式是通過 pip命令。作為Python的內置命令，pip需要通過命令行執行。本文所需庫的安裝命令有兩條：pip install pillow、pip install pytesseract。

2.2 圖文識別過程

（1）在D盤根目錄下保存待識別的圖片文件，文件分別命名為“數字.png”、“英文.png”、“漢字.png”、“符號.png”，圖片文件內容如圖1——圖4所示。

（2）編寫Python代碼

#文件名：ImageConvertText.py

# -*- coding： utf-8 -*-

from PIL import Image

import pytesseract

print（"-------------------------------------"）

text=pytesseract.image_to_string（Image.open（'D：XX.png'），lang='chi_sim'）

#XX代表D盤下待識別的圖片文件名

#chi_sim是一個解析中文簡體的數據包，需自己下載

print（text）

print（"-------------------------------------"）

圖1 數字

圖2 英文

圖3 符號

圖4 漢字

（3）圖文識別結果分析

圖5 數字識別結果

圖6 英文識別結果

圖7 符號識別結果

圖8 漢字識別結果

從識別結果可以看出：Python庫對數字、英文單詞、漢字的識別正確率極高，能達到99%；但對常見符號的識別正確率較低。這和圖片上文字所使用的字體、圖片清晰度、圖片是否有污點、圖片中的文字是否排列整齊有關。可以通過機器學習，對常見符號進行識別訓練，以提高識別正確率。

3 結語

由于Python語言擁有強大的第三方庫，利用Python庫進行圖文識別，代碼量少、識別準確率高，為圖片文字轉化為可編輯的文本提供了一種有效的途徑，將為人們獲取知識提供極大的便利。