百度360必应搜狗淘宝本站头条
python类型转换python串口编程python计时python异常python进度条
当前位置：网站首页 > 技术资源 > 正文

用Python进行OCR图像识别，小白一定要收藏

off999 2024-09-14 07:05 42 浏览 0 评论

数据采集就怕遇到图片，只能看不能复制怎么办。手动将文字提取出来，要耗费很大的工作量。例如下图，某楼盘的一房一价表，怎么样发现单价低位的房子？光凭肉眼很难发现吧，能否让计算机进行文字的识别，然后再对这些数值型信息进行数据分析。

首先把图片中的单价提取出来，

进而生成图像：

用python就可以实现，采用现在流行的OCR图像识别。主要思路是使用机器学习模式，通过已有图片手动训练出一个图像识别模型，具体步骤如下：

一、将图片预处理，更方便计算机识别

（一）把图像灰化

使用open-cv库对图片进行处理。

使用灰化后的图片，如下图，排除干扰信息，能让识别更加稳定。

（二）把图片分割

将图片分割成小方块，一是提高识别精度，二是方便将数据储存为表格形式。可以设定好参数，根据坐标系把图片裁剪成一个个小方块，如下图，储存为jpg格式。

二、建立图像识别模型

（一）将分割好的小方块图片合并成tiff文件

下载jTessBoxEditor，打开jTessBoxEditor.jar，使用tools下的merge tiff工具，将图片合并成tiff文件。

（二）使用已有模型对tiff文件进行初识别

下载并安装tesseract，并配置好环境变量，将Tesseract-OCR和tessdata的路径加入到环境变量下的path下面。Tesseract自带图像识别的模型，例如中文简体汉字识别模型chi_sim.traineddata，英文识别模型eng.traineddata，这些模型可以网上下载，放到tessdata里面即可使用。

然后进入tiff所在文件夹。在命令窗口，输入：tesseract ***.tif *** -l +++ -psm 7 batch.nochop makebox，按回车生成box文件。其中***为tif的文件名，+++为要生成的traindata的文件名。

（三）使用jTessBoxEditor对tiff和box文件进行调整

打开jTessBoxEditor.jar，在box editor中的open按钮，打开要编辑的tif文件。编辑之后保存，生成box文件。保存在同一个文件夹里。

（四）使用tiff和box文件生成模型

在tiff和box的文件中，在命令窗口输入以下代码，最终生成模型（traindata文件）

上述脚本也可以写在bat文件中，运行脚本来生成traindata，最终仅需要将traindata复制到tessdata里面，即可使用该模型。

三、应用图像识别模型

安装完，训练完模型之后，就要在python中使用模型了。安装pytesseract，找到pytesseract.py文件，打开编辑，将其中的“tesseract_cmd = 'tesseract'”，改成tesseract的安装路径（如C:\Program Files\Tesseract-OCR\\tesseract）。

因为模型是采用灰化后的图片训练的，所以在识别时也要使用灰化。

四、优化图像识别模型

在使用中，如果有错误，可以存下来，加入训练库，优化图像识别模型。在一般是识别错误的图片，积攒一阵子后。累积做成tif文件。注意：同类错误选择几个记号了，训练库尽量小而精。

最后

如果你觉得这篇文章还不错，请大家 点赞、分享、留言 下，因为这将是我持续输出更多优质文章的最强动力！

更多爬虫、数据分析、全栈开发、人工智能学习资料自取

私信@林夕编程回复关键词【资料】

相关推荐

阿里云国际站ECS:阿里云ECS如何提高网站的访问速度?

TG：@yunlaoda360引言：速度即体验，速度即业务在当今数字化的世界中，网站的访问速度已成为决定用户体验、用户留存乃至业务转化率的关键因素。页面加载每延迟一秒，都可能导致用户流失和收入损失。对...

高流量大并发Linux TCP性能调优_linux 高并发网络编程

其实主要是手里面的跑openvpn服务器。因为并没有明文禁p2p（哎……想想那么多流量好像不跑点p2p也跑不完），所以造成有的时候如果有比较多人跑BT的话，会造成VPN速度急剧下降。本文所面对的情况为...

性能测试100集(12)性能指标资源使用率

在性能测试中，资源使用率是评估系统硬件效率的关键指标，主要包括以下四类：#性能测试##性能压测策略##软件测试#1.CPU使用率定义：CPU处理任务的时间占比，计算公式为1-空闲时间/总...

Linux 服务器常见的性能调优_linux高性能服务端编程

一、Linux服务器性能调优第一步——先搞懂“看什么”很多人刚接触Linux性能调优时，总想着直接改配置，其实第一步该是“看清楚问题”。就像医生看病要先听诊，调优前得先知道服务器“哪里...

Nginx性能优化实战:手把手教你提升10倍性能!

关注△mikechen△，十余年BAT架构经验倾囊相授！Nginx是大型架构而核心，下面我重点详解Nginx性能@mikechen文章来源：mikechen.cc1.worker_processe...

高并发场景下，Spring Cloud Gateway如何抗住百万QPS?

关注△mikechen△，十余年BAT架构经验倾囊相授！大家好，我是mikechen。高并发场景下网关作为流量的入口非常重要，下面我重点详解SpringCloudGateway如何抗住百万性能@m...

Kubernetes 高并发处理实战(可落地案例 + 源码)

目标场景：对外提供HTTPAPI的微服务在短时间内收到大量请求（例如每秒数千至数万RPS），要求系统可弹性扩容、限流降级、缓存减压、稳定运行并能自动恢复。总体思路（多层防护）：边缘层：云LB...

高并发场景下，Nginx如何扛住千万级请求?

Nginx是大型架构的必备中间件，下面我重点详解Nginx如何实现高并发@mikechen文章来源：mikechen.cc事件驱动模型Nginx采用事件驱动模型，这是Nginx高并发性能的基石。传统...

Spring Boot+Vue全栈开发实战，中文版高清PDF资源

SpringBoot+Vue全栈开发实战，中文高清PDF资源，需要的可以私我：）SpringBoot致力于简化开发配置并为企业级开发提供一系列非业务性功能，而Vue则采用数据驱动视图的方式将程序...

Docker-基础操作_docker基础实战教程二

一、镜像1、从仓库获取镜像搜索镜像：dockersearchimage_name搜索结果过滤：是否官方:dockersearch--filter="is-offical=true...

你有空吗?跟我一起搭个服务器好不好?

来人人都是产品经理【起点学院】，BAT实战派产品总监手把手系统带你学产品、学运营。昨天闲的没事的时候，随手翻了翻写过的文章，发现一个很严重的问题。就是大多数时间我都在滔滔不绝的讲理论，却很少有涉及动手...

部署你自己的 SaaS_saas如何部署

部署你自己的VPNOpenVPN——功能齐全的开源VPN解决方案。（DigitalOcean教程）dockovpn.io—无状态OpenVPNdockerized服务器，不需要持久存储。...

Docker Compose_dockercompose安装

DockerCompose概述DockerCompose是一个用来定义和管理多容器应用的工具，通过一个docker-compose.yml文件，用YAML格式描述服务、网络、卷等内容，...

京东T7架构师推出的电子版SpringBoot，从构建小系统到架构大系统

前言：Java的各种开发框架发展了很多年，影响了一代又一代的程序员，现在无论是程序员，还是架构师，使用这些开发框架都面临着两方面的挑战。一方面是要快速开发出系统，这就要求使用的开发框架尽量简单，无论...

Kubernetes (k8s) 入门学习指南_k8s kubeproxy

Kubernetes(k8s)入门学习指南一、什么是Kubernetes？为什么需要它？Kubernetes(k8s)是一个开源的容器编排系统，用于自动化部署、扩展和管理容器化应用程序。它...

取消回复欢迎 你 发表评论:

一周热门
最近发表
标签列表
Copyright Your WebSite.Some Rights Reserved.