使用pytesseract进行图像识别字母和数字 (python3.x)

前言

策划说，有一些玩家会在头像上面p自己的微信号或者QQ号之类的，可不可以把他们自动筛选出来，于是找了资料研究了下，这里分享一下

先看运行效果

环境准备：

(1) python版本3.x
(2) 安装插件，pip3 install pytesseract
(3) 安装tesseract-ocr，下载地址： https://digi.bib.uni-mannheim.de/tesseract/
(4) 配置环境变量TESSDATA_PREFIX，值为 C:\Program Files\Tesseract-OCR\tessdata
(5) 编辑文件 C:\Users\Administrator\AppData\Local\Programs\Python\Python36\Lib\site-packages\pytesseract\pytesseract.py

把

tesseract_cmd = 'tesseract'

改为：

tesseract_cmd = 'C:/Program Files/Tesseract-OCR/tesseract'

如下：

代码

保存以下代码为 test.py
注意修改两个地方：
(1) pytesseract.pytesseract.tesseract_cmd = 'C:/Program Files/Tesseract-OCR/tesseract.exe'
这里要根据你安装的tesseract.exe的位置
(2) dir = 'E://download/test_png'
这里要根据你的图片的目录

## test.py
import os
import pytesseract
from PIL import Image
from collections import defaultdict# tesseract.exe所在的文件路径
pytesseract.pytesseract.tesseract_cmd = 'C:/Program Files/Tesseract-OCR/tesseract.exe'# 获取图片中像素点数量最多的像素
def get_threshold(image):pixel_dict = defaultdict(int)# 像素及该像素出现次数的字典rows, cols = image.sizefor i in range(rows):for j in range(cols):pixel = image.getpixel((i, j))pixel_dict[pixel] += 1count_max = max(pixel_dict.values()) # 获取像素出现出多的次数pixel_dict_reverse = {v:k for k,v in pixel_dict.items()}threshold = pixel_dict_reverse[count_max] # 获取出现次数最多的像素点return threshold# 按照阈值进行二值化处理
# threshold: 像素阈值
def get_bin_table(threshold):# 获取灰度转二值的映射tabletable = []for i in range(256):rate = 0.1 # 在threshold的适当范围内进行处理if threshold*(1-rate)<= i <= threshold*(1+rate):table.append(1)else:table.append(0)return table# 去掉二值化处理后的图片中的噪声点
def cut_noise(image):rows, cols = image.size # 图片的宽度和高度change_pos = [] # 记录噪声点位置# 遍历图片中的每个点，除掉边缘for i in range(1, rows-1):for j in range(1, cols-1):# pixel_set用来记录该店附近的黑色像素的数量pixel_set = []# 取该点的邻域为以该点为中心的九宫格for m in range(i-1, i+2):for n in range(j-1, j+2):if image.getpixel((m, n)) != 1: # 1为白色,0位黑色pixel_set.append(image.getpixel((m, n)))# 如果该位置的九宫内的黑色数量小于等于4，则判断为噪声if len(pixel_set) <= 4:change_pos.append((i,j))# 对相应位置进行像素修改，将噪声处的像素置为1（白色）for pos in change_pos:image.putpixel(pos, 1)return image # 返回修改后的图片# 识别图片中的数字加字母
# 传入参数为图片路径，返回结果为：识别结果
def OCR_lmj(img_path):image = Image.open(img_path) # 打开图片文件imgry = image.convert('L')  # 转化为灰度图# 获取图片中的出现次数最多的像素，即为该图片的背景max_pixel = get_threshold(imgry)# 将图片进行二值化处理# 注意，是否使用二值化要看具体情况，有些图片二值化之后，可能关键信息会丢失，反而识别不出来table = get_bin_table(threshold=max_pixel)out = imgry.point(table, '1')# 去掉图片中的噪声（孤立点）out = cut_noise(out)#保存图片# out.save('E://figures/img_gray.jpg')# 仅识别图片中的数字#text = pytesseract.image_to_string(out, config='digits')# 识别图片中的数字和字母text = pytesseract.image_to_string(out)# 去掉识别结果中的特殊字符exclude_char_list = ' .:\\|\'\"?![],()~@#$%^&*_+-={};<>/¥'text = ''.join([x for x in text if x not in exclude_char_list])#print(text)return textdef main():# 识别指定文件目录下的图片# 图片存放目录figuresdir = 'E://download/test_png'correct_count = 0  # 图片总数total_count = 0    # 识别正确的图片数量# 遍历figures下的png,jpg文件for file in os.listdir(dir):if file.endswith('.png') or file.endswith('.jpg'):# print(file)image_path = '%s/%s'%(dir,file) # 图片路径answer = file.split('.')[0]  # 图片名称，即图片中的正确文字recognizition = OCR_lmj(image_path) # 图片识别的文字结果print((answer, recognizition))if recognizition == answer: # 如果识别结果正确，则total_count加1correct_count += 1total_count += 1print('Total count: %d, correct: %d.'%(total_count, correct_count))'''# 单张图片识别image_path = 'E://figures/code (1).jpg'OCR_lmj(image_path)'''main()

运行test.py脚本即可

附

通过图片url下载保存图片的本地

import requests
image_url = "https://www.python.org/static/community_logos/python-logo-master-v3-TM.png"r = requests.get(image_url) # create HTTP response objectwith open("python_logo.png",'wb') as f:f.write(r.content)

多线程

# python3.x
import _thread as threaddef thread_func(p1,p2,p3):print(p1,p2,p3)# 注意第二个参数必须用元祖
thread.start_new_thread(thread_func,(1,2,3))
thread.start_new_thread(thread_func,(4,5,6))