5步实现图片文字识别（OCR）附完整代码

引言

图片文字识别（OCR，Optical Character Recognition）是将图像中的文字转换为可编辑文本的技术，广泛应用于文档数字化、身份验证、票据处理等场景。本文将通过5个步骤，详细介绍如何使用Python实现OCR功能，并提供完整代码示例，帮助开发者快速上手。

步骤1：环境准备与依赖安装

1.1 开发环境选择

OCR开发通常基于Python语言，因其丰富的图像处理库和机器学习框架支持。建议使用Python 3.7+版本，并确保已安装pip包管理工具。

1.2 核心依赖库

• OpenCV：用于图像预处理（如二值化、降噪）。
• Pillow（PIL）：图像加载与格式转换。
• Tesseract OCR：开源OCR引擎，支持多种语言。
• pytesseract：Tesseract的Python封装，提供编程接口。

1.3 安装命令

pip install opencv-python pillow pytesseract

1.4 Tesseract OCR安装

• Windows：下载安装包并添加环境变量（tesseract.exe路径）。
• Linux/macOS：通过包管理器安装（如brew install tesseract）。

步骤2：图像预处理

2.1 图像加载与格式转换

使用Pillow加载图像并转换为灰度图，减少计算量：

from PIL import Image
import cv2
def load_image(image_path):
    img = Image.open(image_path)
    gray_img = img.convert('L')  # 转为灰度图
    return gray_img

2.2 二值化处理

通过阈值分割增强文字与背景的对比度：

def binarize_image(gray_img):
    opencv_img = cv2.cvtColor(np.array(gray_img), cv2.COLOR_RGB2BGR)
    _, binary_img = cv2.threshold(opencv_img, 128, 255, cv2.THRESH_BINARY)
    return Image.fromarray(binary_img)

2.3 降噪与边缘检测（可选）

使用高斯模糊或Canny边缘检测进一步优化图像质量：

def denoise_image(img):
    opencv_img = cv2.cvtColor(np.array(img), cv2.COLOR_RGB2BGR)
    blurred = cv2.GaussianBlur(opencv_img, (5, 5), 0)
    return Image.fromarray(blurred)

步骤3：OCR识别核心代码

3.1 配置Tesseract路径

import pytesseract
# 指定Tesseract安装路径（Windows需配置）
pytesseract.pytesseract.tesseract_cmd = r'C:\Program Files\Tesseract-OCR\tesseract.exe'

3.2 执行OCR识别

def ocr_recognition(image_path, lang='eng'):
    img = load_image(image_path)
    preprocessed_img = binarize_image(img)  # 可叠加denoise_image
    text = pytesseract.image_to_string(preprocessed_img, lang=lang)
    return text

3.3 多语言支持

通过lang参数指定语言包（如chi_sim为简体中文）：

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

步骤4：结果解析与优化

4.1 结果清洗

去除识别结果中的空行和特殊字符：

def clean_text(raw_text):
    lines = raw_text.split('\n')
    cleaned_lines = [line.strip() for line in lines if line.strip()]
    return '\n'.join(cleaned_lines)

4.2 置信度评估

Tesseract返回的识别结果包含每个字符的置信度，可通过image_to_data获取：

data = pytesseract.image_to_data(img, output_type=pytesseract.Output.DICT)
for i in range(len(data['text'])):
    if int(data['conf'][i]) > 60:  # 置信度阈值
        print(data['text'][i])

4.3 布局分析

识别图像中的文字区域（适用于复杂排版）：

boxes = pytesseract.image_to_boxes(img)
for box in boxes.splitlines():
    box = box.split(' ')
    print(f"字符: {box[0]}, 坐标: ({box[1]}, {box[2]}, {box[3]}, {box[4]})")

步骤5：完整代码示例与扩展应用

5.1 完整代码

from PIL import Image
import cv2
import numpy as np
import pytesseract
# 配置Tesseract路径
pytesseract.pytesseract.tesseract_cmd = r'C:\Program Files\Tesseract-OCR\tesseract.exe'
def load_and_preprocess(image_path):
    img = Image.open(image_path).convert('L')  # 灰度化
    # 二值化
    opencv_img = cv2.cvtColor(np.array(img), cv2.COLOR_RGB2BGR)
    _, binary_img = cv2.threshold(opencv_img, 128, 255, cv2.THRESH_BINARY)
    return Image.fromarray(binary_img)
def ocr_with_confidence(image_path, lang='eng'):
    img = load_and_preprocess(image_path)
    data = pytesseract.image_to_data(img, output_type=pytesseract.Output.DICT, lang=lang)
    results = []
    for i in range(len(data['text'])):
        if int(data['conf'][i]) > 60:  # 过滤低置信度结果
            results.append({
                'text': data['text'][i],
                'confidence': int(data['conf'][i]),
                'bbox': (data['left'][i], data['top'][i], data['width'][i], data['height'][i])
            })
    return results
# 使用示例
if __name__ == "__main__":
    results = ocr_with_confidence('example.png', lang='chi_sim+eng')
    for result in results:
        print(f"文本: {result['text']}, 置信度: {result['confidence']}, 位置: {result['bbox']}")

5.2 扩展应用场景

• 批量处理：遍历文件夹中的所有图片文件。
• PDF转文本：结合pdf2image库将PDF转为图像后再识别。
• 实时OCR：使用OpenCV捕获摄像头画面并实时识别。

优化建议与注意事项

1. 图像质量：确保输入图像清晰，文字与背景对比度高。
2. 语言包：下载对应语言的Tesseract训练数据（如chi_sim.traineddata）。
3. 性能优化：对大图像进行分块处理，减少单次识别数据量。
4. 错误处理：添加异常捕获（如文件不存在、Tesseract路径错误）。

总结

本文通过5个步骤详细介绍了图片文字识别（OCR）的实现过程，从环境配置到代码编写，再到结果优化，提供了完整的解决方案。开发者可根据实际需求调整预处理步骤和参数，以适应不同场景下的识别需求。OCR技术的灵活性和Tesseract的开源特性使其成为文档处理、自动化办公等领域的理想选择。