[[422621]]

 近日瀏覽網(wǎng)上一些圖片提取文字的網(wǎng)站，覺得甚是有趣，花費半日也做了個在線圖片識別程序，完成了兩個技術(shù)方案的選擇，一是 tesseract + Python flask的方案實現(xiàn)，二是 tesseract + Spring web 的技術(shù)解決方案，并簡作論述，與君共勉。

一、tesseract-ocr介紹

ocr 含義是Optical Character Recognition，含義即視覺字符識別。而tesseract是該領(lǐng)域特別優(yōu)秀開源的作品。

官方的tesseract定義：

OCR engine - libtesseract and a command line program - tesseract.

即tesseract包括一個視覺字符識別引擎libtesseract和命令行程序tesseract。

當(dāng)前最新穩(wěn)定版本是4.x.x基于LSTM，源碼可從找到tesseract的GitHub: tesseract.找到。

關(guān)于tesseract的工作模式如上圖所示。假設(shè)現(xiàn)在有一個圖片輸入，整個執(zhí)行流程為：

1.  輸入（一張圖片）
2.  有用信息提取（比如一個圖片上只有一個字，那其他留白的是無用，這個字上每個色素是有效的并且相關(guān)）
3.  找出文字/線條
4.  字符分類集
5.  輸入與分類集對比找出最接近的
6.  輸出識別結(jié)果

二、安裝tesseract

第一步下載

下載合適的exe安裝文件：

網(wǎng)址：https://digi.bib.uni-mannheim.de/tesseract/，下載完成后后裝即可

第二步環(huán)境變量配置

在path變量中加入tesseract-ocr的安裝路徑

第三步安裝成功檢測

使用tesseract指令，顯示如下：

Linux環(huán)境下載安裝與上述類似

下載leptonica 和 tesseract兩個包，解壓安裝，配置環(huán)境變量即可。網(wǎng)上很容易找到該安裝包。

三、使用命令行

1.tesseract + 圖片路徑 + 保存結(jié)果名 + -l 語言集

示列: tesseract 1606150081.png 1606150081 -l chi_sim

2.tesseract + 圖片路徑 +stdout -l +語言集

示列: tesseract D:\company\ruigushop\spring-2s\test.png stdout -l chi_sim

有了上述之后就可以完成web圖片識別程序的開發(fā)啦，廢話不多說，直接上代碼。

四、程序?qū)崿F(xiàn)(Python)

程序設(shè)計思路:

上傳圖片 -> 保存 ->對上傳的圖片執(zhí)行tesseract指令->獲取識別結(jié)果

只有二十多行代碼就實現(xiàn)了，so easy，以后網(wǎng)上看到圖片識別程序再也不會感覺神奇了吧！ 

# coding=utf-8  
from flask import Flask, request  
import os  
import datetime  
import time  
app = Flask(__name__) 
def get_time_stamp():  
    times = datetime.datetime.now().strftime('%Y-%m-%d %H:%M:%S')  
    array = time.strptime(times, "%Y-%m-%d %H:%M:%S")  
    time_stamp = int(time.mktime(array))  
    return time_stamp  
@app.route('/image/extract', methods=['POST'])  
def pure_rec():  
    file = request.files.get('file')  
    ts = str(get_time_stamp())  
    up_path = os.path.join(ts + file.filename)  
    file.save(up_path)  
    cmd = "tesseract "+up_path+" " + ts + " -l chi_sim"  
    print(cmd)  
    os.system(cmd)  
    with open(ts+".txt", 'r+', encoding="utf-8") as f: 
        result = f.read()  
        return result   
if __name__ == '__main__':  
    app.run(debug=True) 

五、程序?qū)崿F(xiàn)（Java）

不需要任何引入第三方j(luò)ar包，搭建一個簡單的 Springboot Web 項目就可以了，沒有其他額外的依賴。

Controller: 

@RestController  
public class LiteralExtractController {  
    @PostMapping("/image/extract")  
    public String reg(@RequestParam("file")MultipartFile file) throws IOException {  
        String result = "";  
        String filefilename = file.getOriginalFilename();  
        File save = new File(System.getProperty("user.dir")+"\\"+filename);  
        if (!save.exists()){  
            save.createNewFile();  
        }  
        file.transferTo(save);  
        String cmd = String.format("tesseract %s stdout -l %s",System.getProperty("user.dir")+"\\"+filename,"chi_sim");  
        result = cmd(cmd);  
        return result;  
    }  
    public static String cmd(String cmd) {  
        BufferedReader br = null;  
        try {  
            Process p = Runtime.getRuntime().exec(cmd);  
            br = new BufferedReader(new InputStreamReader(p.getInputStream()));  
            String line = null;  
            StringBuilder sb = new StringBuilder();  
            while ((line = br.readLine()) != null) {  
                sb.append(line + "\n");  
            }  
            return sb.toString();  
        } catch (Exception e) {  
            e.printStackTrace();  
        }  
        finally  
        {  
            if (br != null)  
            {  
                try {  
                    br.close();  
                } catch (Exception e) {  
                    e.printStackTrace();  
                }  
            }  
        }  
        return null;  
    }  
} 

六、實驗測試

很簡單二十多行代碼就完成了，看看效果怎么樣吧。

測試一圖片：

測試一結(jié)果：

測試二圖片：

測試二結(jié)果：

perfect，識別的很準(zhǔn)確，第二個測試全部是英文字符的時候我們采用了中文訓(xùn)練的數(shù)據(jù)集，雖然也很好的識別了，但是速度會慢很多。

七、總結(jié)

圖片識別在當(dāng)今網(wǎng)絡(luò)技術(shù)領(lǐng)域是非常熱門的一塊，而這次完成的這個程序完全是依賴別人開源框架來完成了這個技術(shù)實現(xiàn)，在應(yīng)用層面這是成功的，但是本質(zhì)上并沒有實際算法，技術(shù)核心上的東西，如果只關(guān)心應(yīng)用層開發(fā)上述解決了我們計算機在規(guī)則字符識別上的問題。

上述代碼中基本沒有難點，直接復(fù)制即可使用。此外，tesseract作為一款優(yōu)秀的開源字符識別軟件，但它也不是萬能的，tesseract只能識別規(guī)則的字符，對于一些藝術(shù)字，抽象字它是無能為力的。