[OpenCV][Python]手把教如何使用Tesseract OCR辨識

以下是如何使用 Tesseract OCR 來辨識圖像中的文字的教學。

涵蓋了安裝 Tesseract、基本使用方法，以及如何在 Python 中進行整合。

1. 安裝 Tesseract

首先，需要安裝 Tesseract OCR 工具。這裡提供針對 Windows、macOS 和 Linux 的安裝步驟。

Windows

前往 Tesseract GitHub 頁面下載最新版的 Windows 安裝包。

安裝完成後，將 Tesseract 的安裝路徑添加到系統的環境變數中（例如：C:\Program Files\Tesseract-OCR）。
※將 Tesseract 的安裝路徑添加到系統的環境變數中，主要是為了讓系統在任何地方都能夠直接找到並執行 Tesseract

環境變數新增路徑

驗證安裝：打開命令提示字元 (Command Prompt)，輸入 tesseract -v 應顯示 Tesseract 的版本資訊。

macOS

在 macOS 上可以使用 Homebrew 進行安裝：

brew install tesseract

Linux (如 Ubuntu)

在 Linux 系統上可以通過 apt 進行安裝：

sudo apt install tesseract-ocr

2. 安裝 Tesseract 的 Python 介面 (pytesseract)

接下來，我們需要安裝 pytesseract，這是一個 Python 的介面，用於與 Tesseract 一起使用。

pip install pytesseract

還需要安裝 OpenCV 或 PIL(Pillow) 來讀取圖像文件。這裡我們使用 OpenCV：

pip install opencv-python

3. 基本的 Tesseract OCR 使用方式

現在，假設我們有一個名為 image.png 的圖像文件，我們將使用 Tesseract 來辨識圖像中的文字。

命令行使用 Tesseract

在命令行中，你可以簡單地運行 Tesseract 命令來辨識圖像：

tesseract image.png output

這會將 image.png 中的文字提取出來並儲存到 output.txt 文件中。

指定語言

如果你想要指定 Tesseract 使用特定語言來進行 OCR，可以使用 -l 參數。例如，指定繁體中文：

tesseract image_1.png output -l chi_tra

這會要求 Tesseract 使用繁體中文語言包來進行文字識別。事先需先下載語言包放到指令資料夾，語言包路徑

語言包指定路徑

看起來對於七這個文字辨識不佳，但螃蟹好棒阿~ 辨識的不錯

4. 在 Python 中使用 Tesseract OCR

接下來，我們將示範如何在 Python 中使用 Tesseract OCR。

範例程式碼

import cv2
import pytesseract

# 如果 Tesseract 沒有在系統路徑，指定其安裝路徑
# Windows 上可能需要以下設置：
# pytesseract.pytesseract.tesseract_cmd = r'C:\Program Files\Tesseract-OCR\tesseract.exe'

# 讀取圖像文件
image = cv2.imread('image.png')

# 使用 Tesseract 辨識圖像中的文字
text = pytesseract.image_to_string(image, lang='chi_tra')  # 'chi_tra' 是繁體中文的語言代碼

# 打印辨識出的文字
print(text)

但直接讀圖，螃蟹就辨識不了。

5. 圖像處理前的預處理（提高 OCR 準確性）

為了提高 Tesseract 的辨識效果，我們可以在進行 OCR 之前對圖像進行預處理。例如，調整對比度、灰度化等。

範例：使用 OpenCV 對圖像進行預處理

import cv2
import pytesseract

# 讀取圖像
image = cv2.imread('image.png')

# 將圖像轉為灰度
gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

# 將灰度圖像進行二值化處理（黑白圖像）
_, threshold_image = cv2.threshold(gray_image, 150, 255, cv2.THRESH_BINARY)

# 使用 Tesseract 進行 OCR
text = pytesseract.image_to_string(threshold_image, lang='chi_tra')

# 打印辨識出的文字
print(text)

只多辨識出一個 '螃' 字，看來蟹這個字，比較難讀

原因是因為在 CMD 下直接執行 Tesseract 時，它可能自動使用了一些預設的參數或處理方式，而 Python 使用 pytesseract 調用 Tesseract 時，這些參數需要明確指定。

config = '--oem 2 --psm 3' 
text = pytesseract.image_to_string(threshold_image, lang='chi_tra', config=config)

Tesseract 的 --oem 參數指定了使用哪種 OCR 引擎模型。具體來說，--oem 參數有以下幾個選項：

0: 使用傳統的 OCR 引擎 (基於圖像特徵的引擎)。
1: 使用基於 LSTM（長短期記憶網絡）的新 OCR 引擎。
2: 同時使用傳統引擎和 LSTM 引擎，進行混合模式的識別。
3: 僅使用 LSTM 引擎（Tesseract 4.0 以後的預設模式）。

使用了--oem 2 才可辨識到 '螃'

6. 檢測多語言文字

如果圖像中包含多種語言的文字，可以讓 Tesseract 同時檢測多種語言。比如你有一個包含英文和繁體中文的文件，你可以同時指定這兩個語言。

text = pytesseract.image_to_string(image, lang='eng+chi_tra')
print(text)

謝謝大家~ 底下有相關文章可以參考，若還需要補充或測試什麼也歡迎留言

[OpenCV][Python]實測tesseract OCR縮放到最佳高度可提高辨識率嗎?

[OpenCV][Python]實測tesseract OCR增加間隔可提升辨識率

[OCR][Python]tesseract 辨識模型Fine tune

[OCR][Python]測試tesseract與easyOCR誰比較準跟快

[OCR_應用]Tesseract-OCR_Config說明

[OCR_應用]Tesseract-OCR_擷取字元面積