Уже довольно давно признанным лидером по распознаванию текста в пользовательском сегменте является Abbyy FineReader. К тому же, она не только позволяет распознавать тексты, но, также и сканировать документы с помощью сканера. Но, речь не о ней. А о том, что в области распознавания текста может предложить Python. Давайте рассмотрим две популярные библиотеки и попробуем сравнить качество распознавания.
Если честно, то узнав, как давно разрабатывалась первоначальная версия Tesseract OCR, я был удивлен. Ее разработка велась с середины 80-х по середину 90-х годов компанией Hewlett-Packard. После была благополучно забыта аж на целых 10 лет. В 2006 году была выкуплена Google, а ее исходные тексты стали открыты для разработчиков. И, дело сдвинулось с мертвой точки. В настоящий момент существует версия 5.0, которая уже очень далеко ушла от своей библиотеки-прародительницы.
Разработка EasyOCR была представлена общественности 24 июля 2020 года. Так что, в отличие от Tesseract, эта библиотека очень молодая, но, тем не менее, подающая большие надежды. Для распознавания доступны более 40 языков, а код написан на Python с использованием фреймворка PyTorch.
Что понадобиться?
Установить easyocr. Библиотека довольно большая и в процессе установки подгружает необходимые для работы зависимости. Поэтому будьте готовы к тому, что установка займет продолжительное время. Впрочем, здесь все зависит от скорости вашего интернета и мощности компьютера. Для установки пишем в терминале:
И еще, после первого запуска она не заработает сразу же, а для начала выкачает необходимые для работы модели распознавания.
Затем установим Pillow. С его помощью мы будем открывать картинки для загрузки в tesseract.
А теперь нужно установить Tesseract OCR. Если у вас операционная система Windows, то в коде нужно будет прописывать на строчку кода больше. Установка библиотеки подробно описана вот здесь. При установке в Windows будьте внимательны и выберите нужные вам языки распознавания в инсталляторе. В Linux и Mac дополнительные языки скачиваются вот с этой страницы, после чего скачанный файл кладется в папку с tesseract.
После установки основной библиотеки нужно установить модуль для Python. Пишем в терминале:
И наконец, когда уже все будет установлено, импортируем необходимые модули в скрипт:
Если вы используете ОС Windows, вам нужно будет дополнительно прописать вот такую конструкцию:
где указывается путь к исполняемому файлу.
Функция для сканирования изображения с помощью tesseract
Давайте создадим функцию для распознавания текста на изображении с помощью tesseract. Я назову ее teseract_recognition(path_img), и на входе она принимает всего лишь один параметр, это путь к файлу изображения.
Здесь, с помощью функции image_to_string распознается изображение. Оно принимает, в данном случае следующие параметры:
- Изображение для распознавания. Здесь мы сразу же открываем изображение с помощью функции Image, куда передается путь к файлу.
- Язык распознавания. В данном случае указан русский + английский. В зависимости от ваших потребностей можете установить какой-то один язык.
- Конфиг. Первый параметр, это OCR Engine Mode, режим работы «движка» для распознавания. Оставим его без изменений. А вот с psm можно поэкспериментировать. psm – это page segmentation mode, то есть режим сегментации страниц. Чуть более подробно про значения данного режима можно глянуть тут.
И возвращаем распознанный текст туда, откуда он был вызван. По сути, в простейшем варианте, весь код уместился в двух строчках кода. А если убрать объявление функции, то уместиться и в одной.
Функция распознавания текста с помощью easyocr
Теперь давайте сделаем функцию, которая также будет распознавать текст, но уже с помощью другой библиотеки. Создадим функцию easyocr_recognition(path_img). Здесь на вход принимается только путь к файлу с изображением.
Создадим объект easyocr.Reader, в который передадим список с языками для распознавания. В нашем случае это русский. Можно указать английский и многие другие. Соответственно, если вам еще нужен один язык, укажите его обозначение через запятую. Затем вызываем функцию readtext, в которую передаем следующие параметры:
- Путь к файлу с изображением;
- Детализация. По умолчанию данный параметр равен 1 и выводит на экран, помимо текста, еще и параметры отступов и прочую служебную информацию, а также порог достоверности текста, который по умолчанию равен 0.7;
- Автоматическое разбиение текста на параграфы. В противном случае текст выводиться по словам;
- Порог достоверности текста.
Как видите, здесь также в простом варианте все уложилось в две строчки.
На самом деле, это пример не особо хорошего кода )) Не делайте так. Желательно разделить функции, хотя бы для того, чтобы ваш код можно было удобно читать. И если здесь такая строка одна, то представьте, что будет, если таких строк сотни.
Функция сохранения текста в файл
Создадим функцию сохранения распознанного текста в файл. Я назвал ее save_text(text, name). На входе она принимает текст для сохранения и название для файла с текстом.
Ну, а дальше сохраняется текст и выводиться сообщение об успешном завершении.
Ну и функция main().
Для начала запрашиваем у пользователя путь к картинке с текстом. Проверяем, существует ли файл. Думаю, что надо было бы добавить еще проверку на расширение, но в данном контексте оно излишне. И дальше предоставляем пользователю выбор, с помощью какой из библиотек он желал бы распознать текст. После чего в зависимости от выбора запускается функция, отрабатывает и распознанный текст сохраняется в файл.
Впечатления и выводы
Были опробованы обе библиотеки на разных русских текстах. В сводном виде они ниже на скриншоте:
Ну и дальше результаты:
Изображение 01:
Tesseract:
EasyOCR:
Изображение 02:
Tesseract:
EasyOCR:
Изображение 03:
Tesseract:
EasyOCR:
Изображение 04:
Tesseract:
EasyOCR:
Здесь могу сказать, что может быть у меня не оптимальные настройки. Допускаю, но в данном случае tesseract справился лучше. Причем, скорость его работы намного выше, чем easyocr. Быть может, тут сыграл значение один немаловажный фактор, что данная библиотека использует технологию CUDA, а на моем компьютере графика ее не поддерживает. И если бы она была, все работало бы быстрее. Но, что имеем, то имеем. И easyocr распознавал текст долго и зачастую не совсем верно.
Думаю, что его можно использовать, если оптимизировать скорость работы, для распознавания нужного текста. К примеру, для поиска определенного номера машины на фото. Это как заявлено у них в документации. Кстати, попробовал номер. И да, распознался более качественно, чем tesseract.
Спасибо за внимание. Надеюсь, что данная информация будет вам полезна
Если честно, то узнав, как давно разрабатывалась первоначальная версия Tesseract OCR, я был удивлен. Ее разработка велась с середины 80-х по середину 90-х годов компанией Hewlett-Packard. После была благополучно забыта аж на целых 10 лет. В 2006 году была выкуплена Google, а ее исходные тексты стали открыты для разработчиков. И, дело сдвинулось с мертвой точки. В настоящий момент существует версия 5.0, которая уже очень далеко ушла от своей библиотеки-прародительницы.
Разработка EasyOCR была представлена общественности 24 июля 2020 года. Так что, в отличие от Tesseract, эта библиотека очень молодая, но, тем не менее, подающая большие надежды. Для распознавания доступны более 40 языков, а код написан на Python с использованием фреймворка PyTorch.
Что понадобиться?
Установить easyocr. Библиотека довольно большая и в процессе установки подгружает необходимые для работы зависимости. Поэтому будьте готовы к тому, что установка займет продолжительное время. Впрочем, здесь все зависит от скорости вашего интернета и мощности компьютера. Для установки пишем в терминале:
pip install easyocrИ еще, после первого запуска она не заработает сразу же, а для начала выкачает необходимые для работы модели распознавания.
Затем установим Pillow. С его помощью мы будем открывать картинки для загрузки в tesseract.
pip install PillowА теперь нужно установить Tesseract OCR. Если у вас операционная система Windows, то в коде нужно будет прописывать на строчку кода больше. Установка библиотеки подробно описана вот здесь. При установке в Windows будьте внимательны и выберите нужные вам языки распознавания в инсталляторе. В Linux и Mac дополнительные языки скачиваются вот с этой страницы, после чего скачанный файл кладется в папку с tesseract.
После установки основной библиотеки нужно установить модуль для Python. Пишем в терминале:
pip install pytesseractИ наконец, когда уже все будет установлено, импортируем необходимые модули в скрипт:
Python:
import os.path
import easyocr
import pytesseract
from PIL import ImageЕсли вы используете ОС Windows, вам нужно будет дополнительно прописать вот такую конструкцию:
Python:
pytesseract.pytesseract.tesseract_cmd = r"C:\Program Files\Tesseract-OCR\tesseract.exe"где указывается путь к исполняемому файлу.
Функция для сканирования изображения с помощью tesseract
Давайте создадим функцию для распознавания текста на изображении с помощью tesseract. Я назову ее teseract_recognition(path_img), и на входе она принимает всего лишь один параметр, это путь к файлу изображения.
Python:
def teseract_recognition(path_img):
return pytesseract.image_to_string(Image.open(path_img), lang='rus+eng', config=r'--oem 3 --psm 6')Здесь, с помощью функции image_to_string распознается изображение. Оно принимает, в данном случае следующие параметры:
- Изображение для распознавания. Здесь мы сразу же открываем изображение с помощью функции Image, куда передается путь к файлу.
- Язык распознавания. В данном случае указан русский + английский. В зависимости от ваших потребностей можете установить какой-то один язык.
- Конфиг. Первый параметр, это OCR Engine Mode, режим работы «движка» для распознавания. Оставим его без изменений. А вот с psm можно поэкспериментировать. psm – это page segmentation mode, то есть режим сегментации страниц. Чуть более подробно про значения данного режима можно глянуть тут.
И возвращаем распознанный текст туда, откуда он был вызван. По сути, в простейшем варианте, весь код уместился в двух строчках кода. А если убрать объявление функции, то уместиться и в одной.
Функция распознавания текста с помощью easyocr
Теперь давайте сделаем функцию, которая также будет распознавать текст, но уже с помощью другой библиотеки. Создадим функцию easyocr_recognition(path_img). Здесь на вход принимается только путь к файлу с изображением.
Python:
def easyocr_recognition(path_img):
return easyocr.Reader(["ru"]).readtext(path_img, detail=0, paragraph=True, text_threshold=0.8)Создадим объект easyocr.Reader, в который передадим список с языками для распознавания. В нашем случае это русский. Можно указать английский и многие другие. Соответственно, если вам еще нужен один язык, укажите его обозначение через запятую. Затем вызываем функцию readtext, в которую передаем следующие параметры:
- Путь к файлу с изображением;
- Детализация. По умолчанию данный параметр равен 1 и выводит на экран, помимо текста, еще и параметры отступов и прочую служебную информацию, а также порог достоверности текста, который по умолчанию равен 0.7;
- Автоматическое разбиение текста на параграфы. В противном случае текст выводиться по словам;
- Порог достоверности текста.
Как видите, здесь также в простом варианте все уложилось в две строчки.
На самом деле, это пример не особо хорошего кода )) Не делайте так. Желательно разделить функции, хотя бы для того, чтобы ваш код можно было удобно читать. И если здесь такая строка одна, то представьте, что будет, если таких строк сотни.
Функция сохранения текста в файл
Создадим функцию сохранения распознанного текста в файл. Я назвал ее save_text(text, name). На входе она принимает текст для сохранения и название для файла с текстом.
Python:
def save_text(text, name):
with open(f'{name}.txt', 'w', encoding='utf-8') as file:
file.write(text)
print(f'[+] Распознанный текст сохранен в файл: "{name}.txt"')
main()
returnНу, а дальше сохраняется текст и выводиться сообщение об успешном завершении.
Ну и функция main().
Python:
def main():
path_img = input('\n[+] Введите путь к картинке\n - Для выхода введите x\n >>> ')
if path_img == "x":
exit(0)
if not os.path.exists(path_img):
print('[+] Картинки не существует')
user_change = input('\n[+] Выберите библиотеку для распознавания текста:\n [1] Tesseract OCR\n '
'[2] EasyOCR\n [3] Выход\n >>> ')
if user_change == "1":
save_text(teseract_recognition(path_img), os.path.split(path_img)[1].split(".")[0])
elif user_change == '2':
save_text(easyocr_recognition(path_img), os.path.split(path_img)[1].split(".")[0])
elif user_change == "3":
exit(0)
else:
print('[+] Неопознанный ввод. Повторите все сначала')
main()Для начала запрашиваем у пользователя путь к картинке с текстом. Проверяем, существует ли файл. Думаю, что надо было бы добавить еще проверку на расширение, но в данном контексте оно излишне. И дальше предоставляем пользователю выбор, с помощью какой из библиотек он желал бы распознать текст. После чего в зависимости от выбора запускается функция, отрабатывает и распознанный текст сохраняется в файл.
Python:
# pip install easyocr
# pip install pytesseract
# pip install Pillow
import os.path
import easyocr
import pytesseract
from PIL import Image
# путь к исполняемому файлу tesseract
pytesseract.pytesseract.tesseract_cmd = r"C:\Program Files\Tesseract-OCR\tesseract.exe"
# распозавание с помощью pytesseract, открытие картинки PIL.Image
def teseract_recognition(path_img):
return pytesseract.image_to_string(Image.open(path_img), lang='rus+eng', config=r'--oem 3 --psm 6')
# распознавание с помощью easyocr, параметры: отключена детализация вывода,
# включены параграфы и установлена точность текста
def easyocr_recognition(path_img):
return easyocr.Reader(["ru"]).readtext(path_img, detail=0, paragraph=True, text_threshold=0.8)
# сохранение текста в текстовый файл
def save_text(text, name):
with open(f'{name}.txt', 'w', encoding='utf-8') as file:
file.write(text)
print(f'[+] Распознанный текст сохранен в файл: "{name}.txt"')
main()
return
# ввод данных и выбор библиотеки для распознавания
def main():
path_img = input('\n[+] Введите путь к картинке\n - Для выхода введите x\n >>> ')
if path_img == "x":
exit(0)
if not os.path.exists(path_img):
print('[+] Картинки не существует')
user_change = input('\n[+] Выберите библиотеку для распознавания текста:\n [1] Tesseract OCR\n '
'[2] EasyOCR\n [3] Выход\n >>> ')
if user_change == "1":
save_text(teseract_recognition(path_img), os.path.split(path_img)[1].split(".")[0])
elif user_change == '2':
save_text(easyocr_recognition(path_img), os.path.split(path_img)[1].split(".")[0])
elif user_change == "3":
exit(0)
else:
print('[+] Неопознанный ввод. Повторите все сначала')
main()
if __name__ == "__main__":
main()Впечатления и выводы
Были опробованы обе библиотеки на разных русских текстах. В сводном виде они ниже на скриншоте:
Ну и дальше результаты:
Изображение 01:
Tesseract:
EasyOCR:
Изображение 02:
Tesseract:
EasyOCR:
Изображение 03:
Tesseract:
EasyOCR:
Изображение 04:
Tesseract:
EasyOCR:
Здесь могу сказать, что может быть у меня не оптимальные настройки. Допускаю, но в данном случае tesseract справился лучше. Причем, скорость его работы намного выше, чем easyocr. Быть может, тут сыграл значение один немаловажный фактор, что данная библиотека использует технологию CUDA, а на моем компьютере графика ее не поддерживает. И если бы она была, все работало бы быстрее. Но, что имеем, то имеем. И easyocr распознавал текст долго и зачастую не совсем верно.
Думаю, что его можно использовать, если оптимизировать скорость работы, для распознавания нужного текста. К примеру, для поиска определенного номера машины на фото. Это как заявлено у них в документации. Кстати, попробовал номер. И да, распознался более качественно, чем tesseract.
Спасибо за внимание. Надеюсь, что данная информация будет вам полезна
Последнее редактирование:
