当前位置：首页 > news >正文

Tesseract OCR技术初探(Python调用)

news 来源：原创 2025/7/15 1:23:32

一、Tesseract OCR技术解析

1.1 核心架构与发展历程

Tesseract是由HP实验室于1985年研发的光学字符识别引擎，2005年由Google开源并持续维护至今。其核心技术经历了三个阶段演进：

传统模式（v3.x）：基于特征匹配算法，识别准确率约85%
LSTM时代（v4.0）：引入长短期记忆神经网络（LSTM），准确率提升至95%+
多模态融合（v5.0+）：结合传统算法与深度学习模型，支持复杂版式分析

技术特性对比：
版本引擎类型语言支持识别速度适用场景

v3.x 模式匹配 60+语言快印刷体文档
v4.x LSTM 100+语言中等自然场景文本
v5.x 混合引擎 130+语言较慢表格、多语言混合

1.2 核心技术原理

Tesseract的工作流程分为五个核心阶段：

图像预处理：灰度化、二值化、噪声消除
版面分析：基于连通域检测的文本区域定位
行分割：利用投影法划分文本行
字符切分：动态规划算法优化字符边界
识别引擎：LSTM网络生成字符概率矩阵

二、环境配置与安装指南

tesseract ocr是独立一个程序，需要先将其安装到系统中，然后python上安装pytesseract才可以调用。
访问官网github

2.1 多平台安装流程

Windows系统
官方主要发力在Linux和Mac系统，Windows上的安装包是第三方提供的，目前最新是v5.4.0。
访问UB Mannheim镜像站下载最新安装包（推荐v5.4.0）
安装时勾选Additional language data并指定中文包
配置环境变量：

PATH添加：C:\Program Files\Tesseract-OCR
系统变量：TESSDATA_PREFIX=C:\Program Files\Tesseract-OCR\tessdata

Linux系统

sudo apt install tesseract-ocr libtesseract-dev
sudo apt install tesseract-ocr-chi-sim  # 中文包

macOS系统

brew install tesseract
brew install tesseract-lang

2.2 Python依赖库安装

pip install pytesseract pillow opencv-python

验证安装：

import pytesseract
print(pytesseract.get_tesseract_version())  # 应输出5.4.0.20240606

三、简单文本识别

import pytesseractdef tesseract_ocr_simple(image):config = ('--oem 3 '  # 使用LSTM+传统引擎'--psm 6 '  # 假定单行文本'-c preserve_interword_spaces=1'  # 保留空格)text = pytesseract.image_to_string(image, config=config)return text.strip()img_path = 'pic001.png'
result = tesseract_ocr_simple(img_path)
print(f"识别结果：{result}")

在这里插入图片描述

参数说明表：

参数	取值范围	作用描述
–oem	0-3	引擎模式（0=传统, 1=LSTM, 2=混合, 3=默认）
–psm	0-13	页面分割模式（详细说明见下表）
-l	语言代码	指定识别语言（如eng+chi_sim）

PSM（Page Segmentation Modes）详细说明

值	模式名称	适用场景描述
0	OSD_ONLY	仅执行方向和脚本检测
1	AUTO_OSD	自动页面分割（带OSD）
2	AUTO_ONLY	自动页面分割（无OSD）
3	AUTO	完全自动页面分割（默认）
4	SINGLE_COLUMN	单列文本
5	SINGLE_BLOCK_VERT_TEXT	垂直对齐的单个文本块
6	SINGLE_BLOCK	单个文本块（默认用于单行）
7	SINGLE_LINE	单行文本
8	SINGLE_WORD	单个单词
9	CIRCLE_WORD	圆形/弧形文本
10	SINGLE_CHAR	单个字符
11	SPARSE_TEXT	查找尽可能多的文本（稀疏分布）
12	SPARSE_TEXT_OSD	稀疏文本带OSD
13	RAW_LINE	将图像视为单个文本行（忽略换行符）

使用建议：

常规文档：3（AUTO）或6（SINGLE_BLOCK）
单行文本：7（SINGLE_LINE）
验证码识别：8（SINGLE_WORD）或10（SINGLE_CHAR）
不规则排列文本：11（SPARSE_TEXT）

四、图像预处理技术

4.1 OpenCV预处理流程

预处理是个大学问，如下只是简单的示例。

import cv2def preprocess_image(image_path):img = cv2.imread(image_path)gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)_, binary = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)denoised = cv2.medianBlur(binary, 3)return denoisedprocessed_img = preprocess_image('low_contrast.jpg')

4.2 多维度优化策略

几何校正（倾斜矫正）：

def deskew(image):coords = np.column_stack(np.where(image > 0))angle = cv2.minAreaRect(coords)[-1]if angle < -45:angle = -(90 + angle)else:angle = -angleM = cv2.getRotationMatrix2D((w//2, h//2), angle, 1.0)rotated = cv2.warpAffine(image, M, (w, h))return rotated

对比度增强：

alpha = 1.5  # 对比度系数
beta = 30    # 亮度调整
adjusted = cv2.convertScaleAbs(img, alpha=alpha, beta=beta)

五、中文识别

如果安装时没用将中文识别库带上，也不要着急，可以将中文库下载放到Tessercact路径下的tessdata文件夹中。
chi_sim.traineddata可以到官网下载，不方便也可以到csdn的资源中下载。
使用时需在配置中增加语言选项，如下面例子：

def tesseract_ocr_chinese(image):config = ('--oem 3 '  # 使用LSTM+传统引擎'--psm 6 '  # 假定单行文本'-l chi_sim+eng+num'  # 中文+英文+数字的识别'-c preserve_interword_spaces=1'  # 保留空格)text = pytesseract.image_to_string(image, config=config)return text.strip()

在这里插入图片描述

六、高级应用场景

5.1 结构化数据提取

要想获得文字的位置和识别的置信度，需要使用结构化数据的方式提取。

from pytesseract import Outputdata = pytesseract.image_to_data(img, output_type=Output.DICT)
for i, word in enumerate(data['text']):if word.strip():print(f"Word {i}: {word}")print(f"Position: ({data['left'][i]}, {data['top'][i]})")print(f"Confidence: {data['conf'][i]}%")

输出数据：

Word 4: NAME
Position: (34, 31)
Confidence: 96%
Word 6: .github
Position: (34, 75)
Confidence: 54%
Word 10: emake
Position: (33, 120)
Confidence: 8%

5.2 验证码识别实战

def captcha_recognize(image_path):img = cv2.imread(image_path)gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)custom_config = r'--oem 3 --psm 7 -c tessedit_char_whitelist=ABCDEFGHIJKLMNOPQRSTUVWXYZabcdefghijklmnopqrstuvwxyz0123456789'text = pytesseract.image_to_string(gray, config=custom_config)return text

在这里插入图片描述

最后

从默认中英文识别库的测试来看，识别率并不高。看来要使用它商用，必须要自己训练不可了。

一、Tesseract OCR技术解析

1.1 核心架构与发展历程

技术特性对比： 版本 引擎类型 语言支持 识别速度 适用场景

1.2 核心技术原理

二、环境配置与安装指南

2.1 多平台安装流程

2.2 Python依赖库安装

三、简单文本识别

PSM（Page Segmentation Modes）详细说明

四、图像预处理技术

4.1 OpenCV预处理流程

4.2 多维度优化策略

五、中文识别

六、高级应用场景

5.1 结构化数据提取

5.2 验证码识别实战

最后

相关文章：

技术特性对比：
版本引擎类型语言支持识别速度适用场景