mac+python+tesseract识别中文

想识别图片中的一些文字，最终还是选择了谷歌的tesseract，即使它对中文的识别度还不是特别高，比如左右偏旁的字会识别成两个字，比如“呐”识别成“口内”，又或者说一些比较偏的字也会识别错，当然可以多训练一点汉字，如何训练数据暂且不说。

环境

macOS 10.12.5、 python 2.7、homebrew、pip

步骤

1. 用homebrew 在电脑上安装tesseract库 brew install tesseract
2. 用pip安装支持python的tesseract 接口pip install pytesseract
3. 去往https://github.com/tesseract-ocr/tessdata下载中文数据集chi_sim.traineddata，把它放到这目录下：
   image.png

如何使用tesseract

import pytesseract
from PIL import Image

# open image
image = Image.open('test.png')
code = pytesseract.image_to_string(image, lang='chi_sim')
print(code)

遇到的问题

• 提示brew update，代表homebrew需要更新
• 提示must be writable!或者Permission denied之类问题，试试前面加sudo
• 提示Please check the permissions and owner of that directory，说明权限有问题，那么使用sudo chown root 文件路径命令获得临时root权限
• 提示Xcode alone is not sufficient on Sierra，使用xcode-select --install

总结

没有走步骤1，是没有步骤3的路径，运行python文件时也会报找不到tesseract文件路径的错。实际识别图片时可以先给图片做一些处理，例如高斯去噪，直方图均衡化加清晰，二值化去掉不相关信息，我用到了二值化，设置好阈值达到自己想要的效果。