OCR w/ python

上个月的某天突然想看看是否有一些OCR(Optical Character Recognition)方面的开源库可供python使用，搜索下来发现Tesseract OCR是个不错的选择。

Tesseract引擎是在1985-1994间由HP实验室开发的，在1995年的时候，它在字符识别精度上可是位列Top 3的。但它在1995-2006间基本没有多少提升。目前该库由Google在继续开发维护，具体可关注

基于Tesseract引擎的python wrapper有两个: pytesser 和 python-tesseract,但pytesser自2007之后就没更新了。python-tesseract可以在下载,下面会用python-tesseract做点简单的尝试。当然，为了识别图片上的字符，还需要安装PIL图像库。

import sys
from PIL import Image

name = sys.argv[1]
img = Image.open(name) # Your image
img = img.convert("RGBA")

pixdata = img.load()

# Make the letters bolder for easier recognition

for y in xrange(img.size[1]):
    for x in xrange(img.size[0]):
        if pixdata[x, y][0] < 90:
            pixdata[x, y] = (0, 0, 0, 255)

for y in xrange(img.size[1]):
    for x in xrange(img.size[0]):
        if pixdata[x, y][1] < 136:
            pixdata[x, y] = (0, 0, 0, 255)

for y in xrange(img.size[1]):
    for x in xrange(img.size[0]):
        if pixdata[x, y][2] > 0:
            pixdata[x, y] = (255, 255, 255, 255)

img.save("input-black.gif", "GIF")

#   Make the image bigger (needed for OCR)
im_orig = Image.open('input-black.gif')
big = im_orig.resize((1000, 500), Image.NEAREST)

ext = ".tif"
big.save("input-NEAREST" + ext)

#   Perform OCR using tesseract-ocr library
from tesseract import image_to_string
#from pytesser import *

image = Image.open('input-NEAREST.tif')
print image_to_string(image)

这里最关键的就是image_to_string函数，由它完成字符识别的工作，当然在识别之前可以对图片做一些预处理，比如这段代码里做的灰度处理和尺寸调整。通过训练还可以进一步提高Tesseract引擎的识别精度。

另外，在Google Code上还有另一个项目, 它是由Google 赞助。ocropus支持一些不同的插入式字符识别引擎，tesseract引擎也可以插入使用。另外还包括一些功能，如布局分析等。对ocropus还没有深入了解，等有空的时候研究研究，跟tesseract做个比较。