记录下用python处理图片中的文字字幕。
介绍
Tesseract 是一个非常流行的OCR（光学字符识别）引擎，由Google支持。Tesseract能够从图像文件中识别和提取纯文本。它主要用于处理PDF文件和各种图像格式，如PNG、JPG、TIFF等，识别多种语言的文字。
以下是Tesseract的一些关键特点：
多语言支持：Tesseract支持超过100种语言，包括中文，并且社区还提供了额外的语言训练数据。
命令行工具：Tesseract主要通过命令行界面使用，这使得它可以很容易地集成到其他应用程序中。
开源：Tesseract是开源软件，可以在Apache 2.0许可下免费使用。
可定制的PSM（页面分割模式）：Tesseract允许用户指定页面布局的假设，例如，是否为单栏或双栏文本，是否包含标题等。
支持多种图像格式：可以处理多种图像格式，包括但不限于PNG、JPG、TIFF等。
配置选项：Tesseract提供了丰富的配置选项，允许用户调整识别精度，如调整阈值、进行去噪处理等。
与Leptonica结合使用：Tesseract经常与Leptonica图像处理库一起使用，Leptonica提供了大量的图像处理功能，可以用来提高OCR前的图像质量。
开发者社区：有一个活跃的开发者社区，不断有新的贡献和改进。
环境
macos bigsur 11
python 3.8.9
pytesseract-0.3.10
系统tesseract版本 5.3.3
安装
1 | pip install pytesseract==0.3.10 |
tesseract-eng这个是英语语言模型，只能识别图片中的英文，如果需要支持中文，我按照文档安装了中文模型，但是不起作用：
1 | # 简体中文 |
1 | tesseract 1_DPI1000.jpg chi -l chi_sim |
无法识别图片中的中文
寻找到另一个中文模型，需要自己下载中文模型：
https://github.com/tesseract-ocr/tessdata_best/blob/main/chi_sim.traineddata
查看已安装的语言模型：
1 | tesseract --list-langs |
这里可以看到语言模型安装的位置。
将下载的中文模型文件，放到这个目录位置。
/opt/local/share/tessdata/
1 | wget https://github.com/tesseract-ocr/tessdata_best/blob/main/chi_sim.traineddata |
这里是支持的所有语言列表：
https://ports.macports.org/search/?q=tesseract-&name=on
问题
安装完tesseract后，运行tesseract –version报错
显示libpng16版本较低，显示libpng16 没有被加载：
1 | dyld: Library not loaded: /opt/local/lib/libpng16.16.dylib |
后面发现问题了：
我不知道为什么设置了 DYLD_LIBRARY_PATH 变量，这个变量里包含了libpng16.16.dylib，导致了libpng16版本加载问题。
解决办法：
1 | unset DYLD_LIBRARY_PATH |
就ok了。
识别图片中文字
基本的Tesseract使用示例如下：
1 | tesseract image.png output.txt |
这条命令会处理名为image.png的图像文件，并把识别出的文本保存到output.txt文件中。
Tesseract也支持通过配置文件来调整识别参数，例如：
1 | tesseract image.png output -l chi_sim+eng --oem 2 --psm 6 |
在这个例子中，-l 指定了使用的语言模型（这里是简体中文加英文），--oem 指定了OCR引擎模式（这里是精确识别），--psm 指定了页面分割模式（这里是假设页面是统一的文本块）。
Tesseract非常适合需要将扫描文档或图片转换成可编辑文本的情况，是许多开发者和数据科学家在进行自动化文档处理时的首选工具。
欢迎关注微信公众号，你的资源可变现：【乐知付加密平台】
一起学习，一起进步。