logo

开发者热搜

如何高效使用cnocr实现竖排文字识别：简繁中文全流程指南

作者：沙与沫2025.09.19 18:44浏览量：0

简介：本文详细介绍如何使用cnocr库进行简体中文和繁体中文的竖排文字识别，包括环境准备、模型选择、图像预处理、参数配置及代码实现，助力开发者高效处理古籍、文献等竖排文本场景。

一、cnocr简介与竖排文字识别核心挑战

cnocr是由Breezedeus团队开发的开源OCR工具，专注于中文场景识别，支持简体和繁体字符集。其核心优势在于对复杂排版（如竖排、混合排版）的优化处理能力。竖排文字识别面临两大挑战：

  1. 排版方向处理：需通过算法判断文字排列方向（自上而下或自右而左），并调整识别逻辑；
  2. 字符集兼容性：需同时支持简体（GB2312）和繁体（Big5）字符集的准确识别。

cnocr通过预训练模型和方向检测模块解决上述问题。其最新版本（如v2.2+）内置了竖排识别专用模型，可直接调用。

二、环境准备与依赖安装

1. 基础环境要求

  • Python版本：3.7及以上（推荐3.8-3.10）
  • 操作系统：Windows/Linux/macOS（需支持CUDA的GPU环境以加速推理）

2. 依赖安装步骤

  1. # 创建虚拟环境（推荐）
  2. python -m venv cnocrenv
  3. source cnocrenv/bin/activate  # Linux/macOS
  4. # cnocrenv\Scripts\activate  # Windows
  6. # 安装cnocr（含GPU支持）
  7. pip install cnocr[gpu]  # 如需CPU版本，去掉[gpu]
  9. # 验证安装
  10. python -c "import cnocr; print(cnocr.__version__)"

关键点：

  • GPU版本需提前安装CUDA和cuDNN（版本匹配参考PyTorch官方文档）；
  • 如遇依赖冲突，可使用pip install --upgrade --force-reinstall cnocr强制重装。

三、竖排文字识别全流程

1. 图像预处理

竖排文本识别前需完成以下预处理：

  • 方向校正：使用OpenCV检测文本主方向并旋转至水平（可选，cnocr v2.2+可自动处理）；
  • 二值化：增强字符与背景对比度（推荐使用自适应阈值法）；
  • 分块切割：将长竖排文本分割为单列（每列宽度≈字符平均宽度×1.5）。

示例代码（图像预处理）：

  1. import cv2
  2. import numpy as np
  4. def preprocess_vertical_text(img_path):
  5.     # 读取图像
  6.     img = cv2.imread(img_path, cv2.IMREAD_GRAYSCALE)
  8.     # 自适应二值化
  9.     binary = cv2.adaptiveThreshold(
  10.         img, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, 
  11.         cv2.THRESH_BINARY, 11, 2
  12.     )
  14.     # 形态学操作（可选，去除噪点）
  15.     kernel = np.ones((2,2), np.uint8)
  16.     cleaned = cv2.morphologyEx(binary, cv2.MORPH_CLOSE, kernel)
  18.     return cleaned

2. 模型选择与参数配置

cnocr提供两类竖排识别模型：

  • 通用模型：densenet_lite_136-gru（默认，支持简繁混合）；
  • 专用模型：densenet_lite_136-gru-vertical（优化竖排场景）。

参数配置要点：

  1. from cnocr import CnOcr
  3. # 初始化识别器（竖排专用）
  4. ocr = CnOcr(
  5.     rec_model_name='densenet_lite_136-gru-vertical',  # 竖排模型
  6.     context='gpu',  # 或'cpu'
  7.     lang='ch_sim_tra',  # 简繁混合字符集
  8.     det_model_name='db_mv3'  # 检测模型（可选）
  9. )

关键参数说明：

  • lang：支持ch_sim（简体）、ch_tra（繁体）、ch_sim_tra（混合）；
  • rec_model_name：竖排模型需明确指定后缀-vertical；
  • det_model_name：如需自动检测文本区域，可指定检测模型（如db_mv3）。

3. 竖排文本识别实现

方法一：单列竖排识别（推荐）

将竖排文本按列分割后逐列识别：

  1. def recognize_vertical_columns(img_path, column_width=30):
  2.     # 预处理
  3.     img = preprocess_vertical_text(img_path)
  4.     h, w = img.shape
  6.     # 按列分割（假设列宽为30像素）
  7.     columns = []
  8.     for x in range(0, w, column_width):
  9.         col = img[:, x:x+column_width]
  10.         if col.shape[1] < column_width:  # 补全最后一列
  11.             pad_width = column_width - col.shape[1]
  12.             col = np.pad(col, ((0,0), (0,pad_width)), 'constant')
  13.         columns.append(col)
  15.     # 逐列识别
  16.     results = []
  17.     for col in columns:
  18.         # 旋转90度使竖排变横排（模拟cnocr内部处理）
  19.         rotated = cv2.rotate(col, cv2.ROTATE_90_CLOCKWISE)
  20.         res = ocr.ocr(rotated)
  21.         results.extend([line[1] for line in res])  # 提取文本
  23.     return ' '.join(results)

方法二：整图竖排识别（依赖模型自动处理）

直接调用竖排模型识别整图（适用于规则排版）：

  1. def recognize_vertical_image(img_path):
  2.     img = preprocess_vertical_text(img_path)
  3.     ocr = CnOcr(rec_model_name='densenet_lite_136-gru-vertical')
  4.     res = ocr.ocr(img)
  6.     # 竖排结果需按列重组（示例简化处理）
  7.     vertical_text = []
  8.     for line in res:
  9.         vertical_text.append(line[1])  # 假设模型已按竖排顺序输出
  11.     return '\n'.join(vertical_text)  # 每列一行

4. 简繁中文混合处理

cnocr通过lang='ch_sim_tra'参数自动处理简繁转换。如需强制输出特定字体，可在后处理阶段转换：

  1. from zhconv import convert  # 需安装pip install zhconv
  3. def postprocess_text(text, target_lang='sim'):
  4.     # sim:简体, tra:繁体
  5.     return convert(text, target_lang)
  7. # 示例
  8. mixed_text = "這是簡體和繁體的混合文本"
  9. simplified = postprocess_text(mixed_text, 'sim')  # 转为简体

四、性能优化与常见问题

1. 识别准确率提升技巧

  • 图像质量：分辨率建议≥300dpi，避免模糊或倾斜；
  • 模型微调：使用自定义数据集微调模型（参考cnocr文档）；
  • 后处理规则：添加正则表达式修正常见错误（如“貝”→“贝”）。

2. 常见问题解决

  • 问题1：竖排文字被截断
    解决：调整column_width参数或使用更小的分块尺寸。

  • 问题2：繁体字识别错误
    解决：检查lang参数是否为ch_sim_tra，或单独使用ch_tra模型。

  • 问题3：GPU内存不足
    解决：降低batch_size（通过CnOcr(rec_batch_size=4)设置）。

五、完整代码示例

  1. from cnocr import CnOcr
  2. import cv2
  3. import numpy as np
  5. def main():
  6.     # 1. 初始化OCR
  7.     ocr = CnOcr(
  8.         rec_model_name='densenet_lite_136-gru-vertical',
  9.         lang='ch_sim_tra',
  10.         context='gpu'
  11.     )
  13.     # 2. 预处理图像
  14.     img_path = 'vertical_text.jpg'
  15.     img = cv2.imread(img_path, cv2.IMREAD_GRAYSCALE)
  16.     _, binary = cv2.threshold(img, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)
  18.     # 3. 分列识别（简化版）
  19.     h, w = binary.shape
  20.     column_width = 25  # 根据实际文本调整
  21.     results = []
  23.     for x in range(0, w, column_width):
  24.         col = binary[:, x:x+column_width]
  25.         if col.size == 0:
  26.             continue
  27.         # 旋转90度模拟竖排
  28.         rotated = cv2.rotate(col, cv2.ROTATE_90_CLOCKWISE)
  29.         res = ocr.ocr(rotated)
  30.         column_text = ' '.join([line[1] for line in res])
  31.         results.append(column_text)
  33.     # 4. 输出结果
  34.     final_text = '\n'.join(results)
  35.     print("识别结果：\n", final_text)
  37. if __name__ == '__main__':
  38.     main()

六、总结与扩展应用

cnocr的竖排文字识别功能通过专用模型和方向感知算法，有效解决了古籍、文献等场景的排版问题。开发者可通过以下方式扩展应用：

  1. 批量处理：结合多线程/多进程加速大规模识别；
  2. API封装：使用FastAPI或Flask构建在线识别服务；
  3. 移动端适配：通过ONNX Runtime部署至Android/iOS。

推荐资源：

相关文章推荐

发表评论

最热文章

关于作者

  • 被阅读数
  • 被赞数
  • 被收藏数