Python印刷体文字识别教程

在Python中实现印刷体文字识别（OCR），通常使用Tesseract OCR引擎结合Python库。以下是详细步骤和示例：

1. 安装依赖库

bash

pip install pytesseract pillow

• Tesseract OCR 需要单独安装：

O Windows: 从 UB-Mannheim的Tesseract安装包 下载安装，安装时勾选中文语言包。

O MacOS: brew install tesseract

O Linux: sudo apt install tesseract-ocr

2. 基础代码示例

python

from PIL import Image

import pytesseract

# 指定Tesseract路径（Windows可能需要）

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

# 打开并预处理图像

image = Image.open('text_image.jpg')

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

# 执行OCR识别（默认英文）

text = pytesseract.image_to_string(gray_image)

print(text)

# 识别中文（需安装中文语言包）

text_chinese = pytesseract.image_to_string(gray_image, lang='chi_sim')

print(text_chinese)

3. 图像预处理建议

• 灰度化：减少颜色干扰
• 二值化：增强对比度

python

threshold = 150

binary_image = gray_image.point(lambda p: p > threshold and 255)

• 降噪：使用cv2库（需安装opencv-python）进行高斯模糊、边缘检测等
• 调整分辨率：建议图像DPI≥300

4. 处理复杂场景

• 多语言混合：lang='chi_sim+eng'
• 版面分析：使用image_to_data获取文字位置信息

python

data = pytesseract.image_to_data(image, output_type=pytesseract.Output.DICT)

• 深度学习优化：对于复杂字体，可使用基于深度学习的库如EasyOCR：

python

import easyocr

reader = easyocr.Reader(['ch_sim','en'])

result = reader.readtext('image.jpg')

5. 常见问题解决

• 识别率低：尝试调整阈值、增加图像分辨率
• 中文乱码：确认安装时勾选了中文语言包
• 路径错误：Windows需在代码中指定tesseract_cmd路径

完整预处理+识别示例

python

from PIL import Image, ImageFilter

import pytesseract

def preprocess_image(img_path):

img = Image.open(img_path)

img = img.convert('L') # 灰度化

img = img.filter(ImageFilter.SHARPEN) # 锐化

# 二值化

img = img.point(lambda x: 0 if x < 180 else 255)

return img

image = preprocess_image('document.jpg')

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

print(text)

选择方案：

• 简单场景：Tesseract + 基本预处理
• 复杂场景：EasyOCR/PaddleOCR（更适合中文）
• 专业需求：Google Cloud Vision API（付费但准确率更高）