PHP OCR實(shí)戰(zhàn)：用Tesseract從圖像中讀取文字
Optical Character Recognition (OCR)即光學(xué)字符辨識(shí)是把打印文本轉(zhuǎn)換成一個(gè)數(shù)字表示的過程。它有各種各樣的實(shí)際應(yīng)用–從數(shù)字化印刷書籍、創(chuàng)建收據(jù)的電子記錄，到車牌識(shí)別甚至破解基于圖像的驗(yàn)證碼。
Tesseract是一個(gè)能實(shí)現(xiàn)OCR的開源項(xiàng)目。你能在*Nix系統(tǒng)，Mac系統(tǒng)和Windows系統(tǒng)上運(yùn)行這個(gè)項(xiàng)目，但是只要使用一個(gè)庫，我們就能在PHP項(xiàng)目中使用它了。本教程的目的是教你如何使用。
安裝
準(zhǔn)備
為了讓事情變得簡(jiǎn)單和一致的, 我們將使用虛擬機(jī)（本文使用Vagrant）來運(yùn)行應(yīng)用程序，這會(huì)涉及到安裝PHP和Nginx，我們將安裝 Tesseract來分別演示過程。如果你想自己基于現(xiàn)有Debian-based系統(tǒng)安裝Tesseract,你可以跳過下一部分—或者查看the README來獲得在其他*nix上，Mac系統(tǒng)或者Windows的安裝指導(dǎo).
配置Vagrant
為了配置Vagrant以跟上本教程，完成如下步驟。或者你也可以簡(jiǎn)單的從Github獲得代碼。
輸入以下命令來下載Homestead Improved Vagrant配置到一個(gè)名為orc的文件夾:
git clone https://github.com/Swader/homestead_improved ocr
將Nginx配置文件Homestead.yml中的以下代碼：
- sites:
- - map: homestead.app
- to: /home/vagrant/Code/Project/public
修改成：
- sites:
- - map: homestead.app
- to: /home/vagrant/Code/public
同樣要在hosts文件中添加
- 192.168.10.10 homestead.app
安裝Tesseract
下一步是安裝Tesseract
因?yàn)镠omestead Improved 使用debian,我們可以在使用vagrant ssh登陸虛擬機(jī)后使用apt-get 來安裝它，簡(jiǎn)單運(yùn)行如下命令：
- sudo apt-get install tesseract-ocr
正如上文提到的，在the README中有其他的操作系統(tǒng)對(duì)應(yīng)教程。
測(cè)試并定制安裝
我們將使用PHP包裝，但是之前我們可以在命令行測(cè)試Tesseract。
首先保存這個(gè)圖片sign.png
在虛擬機(jī)中，執(zhí)行如下命令來從圖片中讀取文字
- tesseract sign.png out
這將在當(dāng)前文件夾創(chuàng)建一個(gè)文件:out.txt里面應(yīng)該有單詞：CAUTION
現(xiàn)在嘗試sign2.jpg
- tesseract sign2.jpg out
這次產(chǎn)生單詞Einbahnstral’ie。很接近但不正確—雖然圖像中的文字相當(dāng)清晰，它沒能識(shí)別字符ß。
為了獲使Tesseract正常讀取字符串,我們需要安裝一些新的語言文件—就本例來說，德語。
這里有一個(gè)全面的可用語言文件列表，但我們直接下載所需的文件：
- wget https://tesseract-ocr.googlecode.com/files/tesseract-ocr-3.02.deu.tar.gz
解壓：
- tar zxvf tesseract-ocr-3.02.deu.tar.gz
然后把文件復(fù)制到如下目錄：
- /usr/share/tesseract-ocr/tessdata
例如
- cp deu-frak.traineddata /usr/share/tesseract-ocr/tessdata
- cp deu.traineddata /usr/share/tesseract-ocr/tessdata
現(xiàn)在我們?cè)俅螆?zhí)行原來的命令但是要用 –l
- tesseract sign2.jpg out -l deu
- “deu” 是德語的 ISO 639-3碼.
這次，文字應(yīng)該是Einbahnstraße（正確的）。
可以通過重復(fù)上述過程來使用任意語言。
配置應(yīng)用程序
我們將使用這個(gè)庫來用PHP使用Tesseract。
我們將建立一個(gè)極簡(jiǎn)的web應(yīng)用：用戶上傳圖片，并查看OCR處理結(jié)果。我們將使用Silex microframework 來實(shí)現(xiàn)。不要擔(dān)心你不熟悉它，這個(gè)應(yīng)用本身很簡(jiǎn)單。
記住這篇教程的所有代碼都能在Github上獲得。
***步是用Composer來安裝依賴文件：
- composer require silex/silex twig/twig thiagoalessio/tesseract_ocr:dev-master
然后建立三個(gè)文件夾：
- - public
- - uploads
- - views
我們需要上傳表單(views\index.twig):
- <html>
- <head>
- <title>OCR</title>
- </head>
- <body>
- <form action="" method="post" enctype="multipart/form-data">
- <input type="file" name="upload">
- <input type="submit">
- </form>
- </body>
- </html>
需要一個(gè)結(jié)果展示頁面(views\results.twig):：
- <html>
- <head>
- <title>OCR</title>
- </head>
- <body>
- <h2>Results</h2>
- <textarea cols="50" rows="10">{{ text }}</textarea>
- <hr>
- <a href="/">← Go back</a>
- </body>
- </html>
現(xiàn)在建立skeleton Silex app (public\index.php):
- <php
- require __DIR__.'/../vendor/autoload.php';
- use Symfony\Component\HttpFoundation\Request;
- $app = new Silex\Application();
- $app->register(new Silex\Provider\TwigServiceProvider(), [
- 'twig.path' => __DIR__.'/../views',
- ]);
- $app['debug'] = true;
- $app->get('/', function() use ($app) {
- return $app['twig']->render('index.twig');
- });
- $app->post('/', function(Request $request) use ($app) {
- // TODO
- });
- $app->run();
如果你在瀏覽器訪問這個(gè)應(yīng)用，你應(yīng)該能看到一個(gè)文件上傳表單。如果你在使用Homestead Improved Vagrant，你可以通過如下鏈接訪問該應(yīng)用。
- http://homestead.app/
下一步是實(shí)現(xiàn)文件上傳。Silex使得這項(xiàng)工作非常簡(jiǎn)單；$request包含一個(gè)files組件，我們可以通過它來獲得任意上傳的文件，代碼：
- // Grab the uploaded file
- $file = $request->files->get('upload');
- // Extract some information about the uploaded file
- $info = new SplFileInfo($file->getClientOriginalName());
- // Create a quasi-random filename
- $filename = sprintf('%d.%s', time(), $info->getExtension());
- // Copy the file
- $file->move(__DIR__.'/../uploads', $filename);
如你所見，我們產(chǎn)生隨機(jī)文件名來減少文件名沖突—但在本應(yīng)用中，我們?cè)趺疵募遣恢匾?。一旦我們?cè)诒镜赜幸环菸募截悾覀兙涂梢援a(chǎn)生一個(gè)Tessearct庫的實(shí)例，然后進(jìn)行分析：
- // Instantiate the Tessearct library
- $tesseract = new TesseractOCR(__DIR__ . '/../uploads/' . $filename);
在圖像上實(shí)現(xiàn)OCR相當(dāng)簡(jiǎn)單，我們只需調(diào)用方法recognize()。
- // Perform OCR on the uploaded image
- $text = $tesseract->recognize();
***我們把結(jié)果展示到結(jié)果頁面：
- return $app['twig']->render(
- 'results.twig',
- [
- 'text' => $text,
- ]
- );
在一些圖片上嘗試，看看它效果怎樣。如果你有困難，可以參考這個(gè)
一個(gè)實(shí)際的例子
讓我們來看OCR一個(gè)更實(shí)用的例子。在本例中，我們嘗試在圖像中找到一個(gè)格式化的電話號(hào)碼。
看看下面一幅圖，上傳到你的應(yīng)用：
結(jié)果應(yīng)該如下:
- :ii‘i
- Customer Service Helplines
- British Airways Helpline
- 09040 490 541
它沒有挑出正文文本，這是我們能料到的，因?yàn)閳D片質(zhì)量太差。雖然識(shí)別了號(hào)碼但是也有一些“噪聲”。
為了提取相關(guān)信息，有如下幾件事我們可以做。
你可以讓Tesseract 把它的結(jié)果限制在一定的字符集內(nèi)，所以我們告訴它只返回?cái)?shù)字型的內(nèi)容代碼如下：
- $tesseract->setWhitelist(range(0,9));
但這樣有個(gè)問題。它常常把非數(shù)字字符解釋成數(shù)字而非忽略它們。比如“Bob”可能被解釋稱數(shù)字“808”。
所以我們采用兩步處理。
-
嘗試提取可能是電話號(hào)碼的數(shù)字串。
-
用一個(gè)庫輪流評(píng)估每一個(gè)候選字符，一旦找到一個(gè)有效電話號(hào)碼則停止。
***步，我們可以用一個(gè)基本的正則表達(dá)式?？梢杂?a target="_blank" >谷歌電話庫來確定一個(gè)數(shù)字串是否是合法電話號(hào)碼。
備注：我已在Sitepoint 寫過關(guān)于谷歌電話庫的內(nèi)容。
讓我們給谷歌電話庫添加一個(gè)PHP 端口，修改composer.json，添加：
- "giggsey/libphonenumber-for-php": "~7.0"
別忘了升級(jí)：
- composer update
現(xiàn)在我們可以寫一個(gè)函數(shù)，輸入為一個(gè)字符串，嘗試提取一個(gè)合法的電話號(hào)碼
- /**
- * Parse a string, trying to find a valid telephone number. As soon as it finds a
- * valid number, it'll return it in E1624 format. If it can't find any, it'll
- * simply return NULL.
- *
- * @param string $text The string to parse
- * @param string $country_code The two digit country code to use as a "hint"
- * @return string | NULL
- */
- function findPhoneNumber($text, $country_code = 'GB') {
- // Get an instance of Google's libphonenumber
- $phoneUtil = \libphonenumber\PhoneNumberUtil::getInstance();
- // Use a simple regular expression to try and find candidate phone numbers
- preg_match_all('/(\+\d+)?\s*(\(\d+\))?([\s-]?\d+)+/', $text, $matches);
- // Iterate through the matches
- foreach ($matches as $match) {
- foreach ($match as $value) {
- try {
- // Attempt to parse the number
- $number = $phoneUtil->parse(trim($value), $country_code);
- // Just because we parsed it successfully, doesn't make it vald - so check it
- if ($phoneUtil->isValidNumber($number)) {
- // We've found a telephone number. Format using E.164, and exit
- return $phoneUtil->format($number, \libphonenumber\PhoneNumberFormat::E164);
- }
- } catch (\libphonenumber\NumberParseException $e) {
- // Ignore silently; getting here simply means we found something that isn't a phone number
- }
- }
- }
- return null;
- }
希望注釋能解釋這個(gè)函數(shù)在干什么。注意如果這個(gè)庫沒能從字符串中解析出一個(gè)合法的電話號(hào)碼它會(huì)拋出一個(gè)異常。這不是什么問題；我們直接忽略它并繼續(xù)下一個(gè)候選字符。
如果我們找到一個(gè)電話號(hào)碼，我們以E.164的形式返回它。這提供了一個(gè)國際化的號(hào)碼，我們可以用來打電話或者發(fā)送SMS。
現(xiàn)在我們可以如下使用：
- $text = $tesseract->recognize();
- $number = findPhoneNumber($text, 'GB');
我們需要給谷歌電話庫提供一個(gè)提示來說明這個(gè)號(hào)碼是哪個(gè)國家的。你也可以改成你自己的國家。
我們把所有的這些打包在一個(gè)新的路由中：
- $app->post('/identify-telephone-number', function(Request $request) use ($app) {
- // Grab the uploaded file
- $file = $request->files->get('upload');
- // Extract some information about the uploaded file
- $info = new SplFileInfo($file->getClientOriginalName());
- // Create a quasi-random filename
- $filename = sprintf('%d.%s', time(), $info->getExtension());
- // Copy the file
- $file->move(__DIR__.'/../uploads', $filename);
- // Instantiate the Tessearct library
- $tesseract = new TesseractOCR(__DIR__ . '/../uploads/' . $filename);
- // Perform OCR on the uploaded image
- $text = $tesseract->recognize();
- $number = findPhoneNumber($text, 'GB');
- return $app->json(
- [
- 'number' => $number,
- ]
- );
- });
我們現(xiàn)在有簡(jiǎn)單的API的基礎(chǔ)—-也就是JSON響應(yīng)-—我們可以用來作為一個(gè)簡(jiǎn)單的移動(dòng)應(yīng)用的后端，這款應(yīng)用可以用來從一幅圖中添加聯(lián)系人，打電話。
總結(jié)
OCR有許多應(yīng)用——并且很容易整合進(jìn)你的應(yīng)用（超過你的預(yù)期）。本文中，我們安裝了開源OCR包；并使用一個(gè)包裝器庫，把它整合進(jìn)一個(gè)非常簡(jiǎn)單的PHP應(yīng)用。我們只是觸及到了所有可能性的表面，希望這能給你一些想法，幫你想想怎么在你自己的應(yīng)用中使用OCR。
譯文鏈接：http://www.codeceo.com/article/php-ocr-tesseract-get-text.html
英文原文：OCR in PHP: Read Text from Images with Tesseract
