订阅
纠错
加入自媒体

使用Google的Tesseract和OpenCV构建光学字符识别(OCR)系统

2020-06-04 10:02
磐创AI
关注


截至今天,Tesseract可以检测100多种语言,甚至可以处理从右到左的文本,例如阿拉伯语或希伯来语!难怪Google会将其用于移动设备,视频和Gmail的图像垃圾邮件检测算法中的文本检测。从版本4开始,Google对该OCR引擎进行了重大改进。Tesseract 4.0添加了新的OCR引擎,该引擎使用基于LSTM(长期短期记忆,https://www.analyticsvidhya.com/blog/2017/12/fundamentals-of-deep-learning-introduction-to-lstm/)  的神经网络系统,这是解决序列预测问题的最有效解决方案之一。尽管它以前使用模式匹配的OCR引擎仍可作为旧代码使用。将Tesseract下载(https://tesseract-ocr.github.io/tessdoc/Home.html) 到系统后,可以使用以下命令从命令行轻松运行它(https://tesseract-ocr.github.io/tessdoc/Command-Line-Usage.html):tesseract <test_image> <output_file_name> -l <language(s)> --oem <mode> --psm <mode>

你可以更改Tesseract配置以获得最适合你的图像的结果:语言(-l) : 使用Tesseract可以检测一种或多种语言OCR引擎模式(-oem): 如你所知,Tesseract 4具有LSTM和Legacy OCR引擎。根据它们的组合,有4种有效的操作模式

页面分割(–psm) : 可以根据图像中的文本进行调整以获得更好的结果

Pyteseract但是,除了命令行方法之外,你还可以使用Pytesseract(https://github.com/madmaze/pytesseract) :Tesseract的Python包装器。使用此功能,你可以通过编写简单的Python脚本使用Tesseract OCR轻松实现自己的文本识别器。你可以使用pip install pytesseract命令下载Pytesseract  。Pytesseract的主要功能是image_to_text(),它将图像和命令行选项作为其参数:

Tesseract面临的挑战是什么?Tesseract并不完美,这不是什么秘密。当图像有很多噪声或者语言的字体是Tesseract OCR没有经过训练的字体时,它的性能很差。其他条件(如文本的亮度或倾斜度)也会影响Tesseract的性能。然而,它是文本识别的一个很好的起点,具有低努力和高产出的特点。文本检测的不同方法Tesseract假定输入文本图像是干净的。不幸的是,许多输入图像将包含过多的对象,而不仅仅是干净的预处理文本,因此,必须具有一个良好的文本检测系统,该系统可以检测随后可以轻松提取的文本。文本检测有几种方法:使用OpenCV的传统方式使用当代深度学习模型建立自己的自定义模型使用OpenCV进行文本检测使用OpenCV进行文本检测是经典的处理方式。你可以应用各种操作(https://www.analyticsvidhya.com/blog/2019/03/opencv-functions-computer-vision-python/) ,如图像调整大小,模糊,阈值化,形态学操作等,以清理图像。

在这里,我们有按灰度,模糊度和阈值顺序排列的图像。完成此操作后,可以使用OpenCV轮廓检测来检测轮廓以提取数据块:最后,你可以在预测文本的轮廓上应用文本识别:

上面图像中的结果是通过最少的预处理和轮廓检测以及随后使用Pytesseract进行文本识别实现的,显然,轮廓并不是每次都检测到文本。但是,使用OpenCV进行文本检测仍然是一项繁琐的任务,需要使用大量参数。同样,它在泛化方面的表现也不好,更好的方法是使用EAST文本检测模型。当代深度学习模型– EASTEAST是一种高效、准确的场景文本检测器,是一种从自然场景图像中检测文本的深度学习模型,它非常快速和准确,因为它能够以13.2fps的速度检测720p图像,f值为0.7820。该模型由一个完全卷积网络和一个非最大抑制阶段组成,用于预测单词或文本行。但是,该模型不包括其他先前模型所涉及的可以优化模型的中间步骤,例如候选建议,文本区域形成和单词划分。你可以看一下作者在论文中提供的以下图像,将EAST模型与其他先前模型进行了比较:

<上一页  1  2  3  下一页>  
声明: 本文由入驻维科号的作者撰写,观点仅代表作者本人,不代表OFweek立场。如有侵权或其他问题,请联系举报。

发表评论

0条评论,0人参与

请输入评论内容...

请输入评论/评论长度6~500个字

您提交的评论过于频繁,请输入验证码继续

暂无评论

暂无评论

    人工智能 猎头职位 更多
    扫码关注公众号
    OFweek人工智能网
    获取更多精彩内容
    文章纠错
    x
    *文字标题:
    *纠错内容:
    联系邮箱:
    *验 证 码:

    粤公网安备 44030502002758号