1. PingCode智库首页
  2. 百科

如何批量从图片中提取文字python

Edit2 • • 百科

如何批量从图片中提取文字python

使用Python批量从图片中提取文字的方法包括：Tesseract OCR、Pytesseract库、OpenCV处理、批量处理脚本。

其中，Tesseract OCR 是一个开源的光学字符识别引擎，它非常适合从图片中提取文字。通过结合Python的Pytesseract库，我们可以方便地调用Tesseract的功能。为了提高识别效果，我们还可以使用OpenCV对图片进行预处理。下面将详细介绍这些方法。

一、TESSERACT OCR 与 PYTESSERACT

1、安装与配置

Tesseract OCR 是一个强大的开源光学字符识别工具。首先，需要安装Tesseract。可以通过以下命令安装：

sudo apt-get install tesseract-ocr

安装完成后，Python中可以使用Pytesseract库调用Tesseract引擎。Pytesseract是一个Python封装库，可以通过以下命令安装：

pip install pytesseract

2、基本使用

安装完成后，可以通过以下代码从图片中提取文字：

import pytesseract


from PIL import Image


设置tesseract可执行文件的路径


pytesseract.pytesseract.tesseract_cmd = r'/usr/bin/tesseract'


打开图片


image = Image.open('sample_image.png')


识别图片中的文字


text = pytesseract.image_to_string(image)


print(text)

3、批量处理图片

为了批量处理图片，我们可以编写一个脚本来处理文件夹中的所有图片文件：

import os


from PIL import Image


import pytesseract


def extract_text_from_images(folder_path):


    # 设置tesseract可执行文件的路径


    pytesseract.pytesseract.tesseract_cmd = r'/usr/bin/tesseract'


    # 获取文件夹中的所有文件


    files = os.listdir(folder_path)


    for file in files:


        if file.endswith(('.png', '.jpg', '.jpeg')):


            image_path = os.path.join(folder_path, file)


            image = Image.open(image_path)


            # 识别图片中的文字


            text = pytesseract.image_to_string(image)


            print(f'Extracted text from {file}:')


            print(text)


            print('-' * 30)


调用函数，处理指定文件夹中的所有图片


extract_text_from_images('path_to_your_folder')

二、图像预处理与OpenCV

1、安装OpenCV

为了提高OCR的准确率，我们可以对图像进行预处理。OpenCV 是一个强大的图像处理库，可以通过以下命令安装：

pip install opencv-python

2、图像预处理

通过OpenCV对图像进行预处理（如灰度化、二值化），可以提高Tesseract的识别准确率：

import cv2


import numpy as np


def preprocess_image(image_path):


    image = cv2.imread(image_path)


    gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)


    # 二值化


    _, binary_image = cv2.threshold(gray, 128, 255, cv2.THRESH_BINARY)


    # 去噪


    denoised_image = cv2.fastNlMeansDenoising(binary_image, None, 30, 7, 21)


    return denoised_image


def extract_text_from_image(image):


    # 预处理图像


    preprocessed_image = preprocess_image(image)


    # 转换为PIL图像


    pil_image = Image.fromarray(preprocessed_image)


    # 识别文字


    text = pytesseract.image_to_string(pil_image)


    return text


示例使用


image_path = 'sample_image.png'


extracted_text = extract_text_from_image(image_path)


print(extracted_text)

三、批量处理脚本改进

结合OpenCV的预处理功能，可以改进批量处理脚本：

import os


from PIL import Image


import pytesseract


import cv2


def preprocess_image(image_path):


    image = cv2.imread(image_path)


    gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)


    # 二值化


    _, binary_image = cv2.threshold(gray, 128, 255, cv2.THRESH_BINARY)


    # 去噪


    denoised_image = cv2.fastNlMeansDenoising(binary_image, None, 30, 7, 21)


    return denoised_image


def extract_text_from_image(image_path):


    # 预处理图像


    preprocessed_image = preprocess_image(image_path)


    # 转换为PIL图像


    pil_image = Image.fromarray(preprocessed_image)


    # 识别文字


    text = pytesseract.image_to_string(pil_image)


    return text


def extract_text_from_images(folder_path):


    # 设置tesseract可执行文件的路径


    pytesseract.pytesseract.tesseract_cmd = r'/usr/bin/tesseract'


    # 获取文件夹中的所有文件


    files = os.listdir(folder_path)


    for file in files:


        if file.endswith(('.png', '.jpg', '.jpeg')):


            image_path = os.path.join(folder_path, file)


            text = extract_text_from_image(image_path)


            print(f'Extracted text from {file}:')


            print(text)


            print('-' * 30)


调用函数，处理指定文件夹中的所有图片


extract_text_from_images('path_to_your_folder')

四、批量处理结果保存

为了更好地管理提取结果，可以将提取的文字保存到文本文件中：

def extract_text_from_images(folder_path, output_file):


    # 设置tesseract可执行文件的路径


    pytesseract.pytesseract.tesseract_cmd = r'/usr/bin/tesseract'


    # 获取文件夹中的所有文件


    files = os.listdir(folder_path)


    with open(output_file, 'w') as f:


        for file in files:


            if file.endswith(('.png', '.jpg', '.jpeg')):


                image_path = os.path.join(folder_path, file)


                text = extract_text_from_image(image_path)


                f.write(f'Extracted text from {file}:n')


                f.write(text)


                f.write('n' + '-' * 30 + 'n')


调用函数，处理指定文件夹中的所有图片并保存结果


extract_text_from_images('path_to_your_folder', 'output_text.txt')

五、提高OCR准确度的其他技巧

1、调整DPI

OCR的准确性可能会受到图像分辨率的影响。通过调整图像的DPI（每英寸点数）可以提高识别效果：

def adjust_dpi(image_path, dpi=300):


    image = Image.open(image_path)


    image.save(image_path, dpi=(dpi, dpi))


def extract_text_from_images_with_dpi_adjustment(folder_path, output_file, dpi=300):


    pytesseract.pytesseract.tesseract_cmd = r'/usr/bin/tesseract'


    files = os.listdir(folder_path)


    with open(output_file, 'w') as f:


        for file in files:


            if file.endswith(('.png', '.jpg', '.jpeg')):


                image_path = os.path.join(folder_path, file)


                # 调整DPI


                adjust_dpi(image_path, dpi)


                text = extract_text_from_image(image_path)


                f.write(f'Extracted text from {file}:n')


                f.write(text)


                f.write('n' + '-' * 30 + 'n')


调用函数，处理指定文件夹中的所有图片并保存结果


extract_text_from_images_with_dpi_adjustment('path_to_your_folder', 'output_text.txt')

2、使用不同的OCR语言包

Tesseract支持多种语言包，可以通过指定语言包来提高识别效果：

def extract_text_from_image_with_language(image_path, language='eng'):


    preprocessed_image = preprocess_image(image_path)


    pil_image = Image.fromarray(preprocessed_image)


    text = pytesseract.image_to_string(pil_image, lang=language)


    return text


def extract_text_from_images_with_language(folder_path, output_file, language='eng'):


    pytesseract.pytesseract.tesseract_cmd = r'/usr/bin/tesseract'


    files = os.listdir(folder_path)


    with open(output_file, 'w') as f:


        for file in files:


            if file.endswith(('.png', '.jpg', '.jpeg')):


                image_path = os.path.join(folder_path, file)


                text = extract_text_from_image_with_language(image_path, language)


                f.write(f'Extracted text from {file}:n')


                f.write(text)


                f.write('n' + '-' * 30 + 'n')


调用函数，处理指定文件夹中的所有图片并保存结果


extract_text_from_images_with_language('path_to_your_folder', 'output_text.txt', language='eng')

六、综合项目管理

在处理大量图像时，使用项目管理系统来跟踪和管理OCR任务是很有必要的。推荐使用研发项目管理系统PingCode和通用项目管理软件Worktile。

1、PingCode

PingCode是一款专业的研发项目管理工具，可以帮助团队高效地管理OCR项目。在PingCode中，可以创建任务、分配责任人、设置截止日期，并实时跟踪项目进度。

2、Worktile

Worktile是一款通用的项目管理软件，适用于各类项目管理需求。通过Worktile，可以建立OCR项目的看板视图，跟踪每个任务的状态，确保项目按时完成。

通过以上方法，我们可以高效地批量从图片中提取文字，并使用项目管理工具进行项目管理，确保任务的顺利完成。

相关问答FAQs：

1. 如何使用Python从多张图片中提取文字？

  • 问题：我想要一次性从多张图片中提取文字，有什么Python库或方法可以实现吗？
  • 回答：您可以使用Python中的OCR（Optical Character Recognition）库，如pytesseract，来实现从多张图片中提取文字的功能。首先，安装pytesseract库，并确保已安装Tesseract OCR引擎。然后，使用OpenCV库读取和处理图片，将其转换为适合OCR处理的格式。最后，使用pytesseract库的相关函数来提取文字。这样，您就可以批量从图片中提取文字了。

2. 有没有办法使用Python自动从多个图片文件中获取文字？

  • 问题：我有一个文件夹中包含很多图片文件，想要自动从这些文件中提取文字，有什么方法可以实现吗？
  • 回答：是的，您可以使用Python的os模块和OCR库（如pytesseract）来自动从多个图片文件中获取文字。首先，使用os模块遍历文件夹中的所有图片文件。然后，对每个图片文件进行OCR处理，提取文字并保存到一个文本文件中。通过这种方式，您可以快速批量获取多个图片文件中的文字内容。

3. 我如何使用Python批量处理图片并提取文字？

  • 问题：我有一批图片需要处理，并从中提取文字，有没有Python代码可以帮助我实现这一功能？
  • 回答：当然！您可以使用Python中的PIL（Python Imaging Library）和OCR库（如pytesseract）来批量处理图片并提取文字。首先，使用PIL库打开每张图片，进行必要的图像处理，如缩放、裁剪等。然后，将处理后的图片转换为合适的格式，以便OCR库能够识别文字。最后，使用OCR库的函数提取文字并保存到文本文件中。这样，您就可以轻松批量处理图片并提取文字了。

文章包含AI辅助创作，作者：Edit2，如若转载，请注明出处：https://docs.pingcode.com/baike/1149019

赞 (0)
Edit2Edit2
免费注册
电话联系

4008001024

微信咨询
微信咨询
返回顶部