Python如何实现图像OCR识别？pytesseract应用

蓮花仙者

发布时间：2025-08-16 15:38:01

448人浏览过

来源于php中文网

原创

使用pytesseract实现图像ocr识别的核心步骤为：1. 安装tesseract ocr引擎并记录安装路径；2. 通过pip安装pytesseract和pillow库；3. 配置tesseract_cmd指向tesseract可执行文件；4. 使用image.open读取图像，并调用pytesseract.image_to_string进行文字识别，可指定lang参数支持多语言如'chi_sim+eng'；5. 对识别结果进行字符串清洗处理。提升识别精度的方法包括：对图像进行灰度化、二值化（手动或自适应阈值）、降噪（如高斯模糊）、倾斜校正等预处理操作；调整tesseract的psm（如psm=6适用于单块文本）和oem（如oem=3启用lstm引擎）参数以优化识别效果。常见问题解决方法：若报“tesseract is not installed”或“filenotfounderror”，需检查tesseract_cmd路径是否正确且不含中文或特殊字符；识别乱码时应确认语言包已下载并放入tessdata目录，且lang参数设置正确；识别速度慢或内存溢出时可缩小图像尺寸或优化配置参数。在实际应用中，常结合opencv进行文本区域检测后再ocr，以提升整体识别效率和准确性。

Python如何实现图像OCR识别？pytesseract应用

Python实现图像OCR识别，核心在于使用

pytesseract

库，它本质上是Tesseract OCR引擎的Python封装。简单来说，就是让你的Python程序能够“看懂”图片上的文字。

解决方案：

安装Tesseract OCR引擎： 这是基础，
```
pytesseract
```
只是个桥梁。根据你的操作系统，去Tesseract OCR官网下载并安装。安装完成后，记下Tesseract的安装路径，后面配置会用到。

立即学习“Python免费学习笔记（深入）”；
安装
```
pytesseract
```
和PIL (Pillow)：
```
pip install pytesseract pillow
```
```
pytesseract
```
用于Python调用Tesseract，Pillow是Python的图像处理库，用于读取图像。

配置Tesseract路径： 告诉

pytesseract

Tesseract引擎在哪里。

import pytesseract
from PIL import Image

pytesseract.pytesseract.tesseract_cmd = r'C:\Program Files\Tesseract-OCR\tesseract.exe' # 替换成你的Tesseract安装路径

进行OCR识别：

image_path = 'path/to/your/image.png' # 替换成你的图片路径
img = Image.open(image_path)
text = pytesseract.image_to_string(img, lang='chi_sim') # 'eng'是英文，'chi_sim'是简体中文
print(text)

处理识别结果： OCR的结果通常需要清洗，比如去除多余的空格、换行符等。可以用正则表达式或者字符串处理函数来完成。

如何提升pytesseract OCR识别精度？

识别精度不高？这是常有的事。Tesseract对图像质量很敏感，以下几点可以尝试：

图像预处理： 这是关键！

灰度化：
```
img = img.convert('L')
```
将彩色图像转为灰度图像，简化处理。

稿定AI社区
在线AI创意灵感社区

下载

二值化： 将图像转换为黑白图像，突出文字。可以手动设置阈值，也可以用自适应阈值。

# 手动阈值
threshold = 127
table = []
for i in range(256):
    if i < threshold:
        table.append(0)
    else:
        table.append(1)
img = img.point(table, '1')

# 自适应阈值 (需要安装opencv-python)
import cv2
import numpy as np

img_cv = cv2.imread(image_path, cv2.IMREAD_GRAYSCALE)
img_cv = cv2.adaptiveThreshold(img_cv, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 11, 2)
img = Image.fromarray(img_cv) # 转换回PIL图像

降噪： 使用高斯模糊等方法去除图像中的噪声。

img = img.filter(ImageFilter.GaussianBlur(radius=1)) # 需要 from PIL import ImageFilter

倾斜校正： 如果图像有倾斜，需要先校正。

调整Tesseract配置：
- psm
  (Page Segmentation Mode): 控制Tesseract如何分割页面。常用的值包括：
  - ```
  psm=3
```
  : 完全自动页面分割，但可能不准确。
- ```
psm=6
```
    : 假设是单块统一文本。
  - ```
  psm=7
```
  : 将图像视为单行文本。
- oem
  (OCR Engine Mode): 控制Tesseract使用的OCR引擎。
  - ```
  oem=1
```
  : 神经网络LSTM引擎。
- ```
oem=3
```
    : Tesseract 4.0中可用的，结合了传统引擎和LSTM引擎。
```
text = pytesseract.image_to_string(img, lang='chi_sim', config='--psm 6 --oem 3')
```
训练Tesseract： 如果要识别的字体或语言Tesseract默认不支持，可以训练自己的Tesseract模型。这比较复杂，需要准备大量的训练数据。
图像分辨率： 提高图像分辨率，但过高的分辨率也可能导致识别错误。

pytesseract如何处理多种语言的OCR识别？

pytesseract

通过指定

lang

参数来处理多种语言。首先，确保你安装了对应语言的Tesseract语言包。语言包通常以

.traineddata

结尾，可以在Tesseract OCR语言包下载找到。

下载后，将语言包放到Tesseract的

tessdata

目录下。然后，在

image_to_string

函数中指定

lang

参数：

text = pytesseract.image_to_string(img, lang='chi_sim+eng') # 同时识别简体中文和英文

如果需要识别多种语言混合的文本，可以将多个语言代码用

连接起来。

如何解决pytesseract安装和使用过程中常见的错误？

“Tesseract is not installed or its not in your path”： 这是最常见的错误。
- 原因：
```
pytesseract
```
  找不到Tesseract引擎。
- 解决方法： 检查Tesseract是否正确安装，并且
```
tesseract_cmd
```
  变量是否指向了正确的Tesseract可执行文件路径。确保路径中没有中文或特殊字符。
“FileNotFoundError: [WinError 2] 系统找不到指定的文件”：
- 原因： 同上，Tesseract路径配置错误。
- 解决方法： 仔细检查
```
tesseract_cmd
```
  变量的值。
识别结果乱码：
- 原因： 语言包没有正确安装，或者图像编码有问题。
- 解决方法： 确认语言包已正确安装，并且在
```
image_to_string
```
  函数中指定了正确的
```
lang
```
  参数。尝试使用不同的图像编码格式，比如将图像保存为PNG格式。
识别速度慢：
- 原因： 图像太大，或者Tesseract配置不合理。
- 解决方法： 适当缩小图像尺寸，调整
```
psm
```
  和
```
oem
```
  参数，选择合适的OCR引擎。
内存溢出：
- 原因： 图像过大，或者系统内存不足。
- 解决方法： 缩小图像尺寸，或者增加系统内存。