[Mac/Linux] 使用 Tesseract OCR 辨識圖片中的文字

[Mac/Linux] 使用 Tesseract OCR 辨識圖片中的文字

之前有試過幾種不同方法,從圖片中辨識文字 (OCR),像是:

 

最近又學到了另外一種,是可以在 Mac/Linux 的命令列執行的 Tesseract OCR

下面就來嘗試一下吧~

 

1. 安裝 Tesseract OCR

在 Mac 上可以使用 Homebrew 安裝:

brew install tesseract

 

在 CentOS 上,可以使用 yum 安裝:

yum install epel-release
yum install tesseract

 

2. 使用 Tesseract OCR 辨識文字

假設我們現在拿到了一張圖,裡面寫了一堆日文:

 

可以用  tesseract <image file> <output file> <option> 的方式執行 Tesseract。

像是我想要把 test.png 圖裡的文字,直接顯示在 console (stdout) 上,

可以這麼下:

testuser@localhost ~ $ tesseract test.png stdout


=a-R @8 IVyx a2t-y BA

ERR

IT 5A hbae



9/27(A) 22:41 835

+ BAR HRT CPREBM H 1506
WNBESA OUP) Licfe 5400
TURES y b Sea CARTER D 1123
RR BER CP ROA CED © 120
*ZABHILK REBAR 3139
+ BREDBA, ONCHE S288

° ARS DR DE ROD ACEC S CD F227
+2234) Foorind amie 7 723

both beyIZ-K



NIV
9/27(A) 21:24
ALBA

 

不過上面的結果,好像不太理想?

原本都是日文的圖片,卻都抓出毫無關聯的英文字…

其實,這是因為沒有指定正確的語言的關係…

 

加上  --list-langs 來看看目前支援的語言,主要是英文 (eng):

testuser@localhost ~ $ tesseract --list-langs

List of available languages (3):
eng
osd
snum

 

我們可以用 Homebrew 加裝 tesseract-lang 這個套件:

brew install tesseract-lang

 

這樣 Tesseract OCR 支援的語言就變很多了:

testuser@localhost ~ $ tesseract --list-langs

List of available languages (162):
afr
amh
ara
asm
aze
aze_cyrl
bel
ben
bod
bos
bre
bul
cat
ceb
ces
chi_sim
chi_sim_vert
chi_tra
chi_tra_vert
chr
cos
cym
dan
deu
div
dzo
ell
eng
enm
epo
est
eus
fao
fas
fil
fin
fra
frk
frm
fry
gla
gle
glg
grc
guj
hat
heb
hin
hrv
hun
hye
iku
ind
isl
ita
ita_old
jav
jpn
jpn_vert
kan
kat
kat_old
kaz
khm
kir
kmr
kor
kor_vert
lao
lat
lav
lit
ltz
mal
mar
mkd
mlt
mon
mri
msa
mya
nep
nld
nor
oci
ori
osd
pan
pol
por
pus
que
ron
rus
san
script/Arabic
script/Armenian
script/Bengali
script/Canadian_Aboriginal
script/Cherokee
script/Cyrillic
script/Devanagari
script/Ethiopic
script/Fraktur
script/Georgian
script/Greek
script/Gujarati
script/Gurmukhi
script/HanS
script/HanS_vert
script/HanT
script/HanT_vert
script/Hangul
script/Hangul_vert
script/Hebrew
script/Japanese
script/Japanese_vert
script/Kannada
script/Khmer
script/Lao
script/Latin
script/Malayalam
script/Myanmar
script/Oriya
script/Sinhala
script/Syriac
script/Tamil
script/Telugu
script/Thaana
script/Thai
script/Tibetan
script/Vietnamese
sin
slk
slv
snd
snum
spa
spa_old
sqi
srp
srp_latn
sun
swa
swe
syr
tam
tat
tel
tgk
tha
tir
ton
tur
uig
ukr
urd
uzb
uzb_cyrl
vie
yid
yor

 

現在我們用  -l jpn 參數來設定語言為日文,

再執行一次,這次就抓出了大部分的日文字,正確率還不差:

testuser@localhost ~ $ tesseract test.png stdout -l jpn


ニュース | 経済 エンタメ スポーツ 国内

国際

IT・科学 地域



9/27(月) 22:41更新

・緩和策「丸投げ」に都など警戒 1596

・小室圭さん「クリア」した宿題 5400

・抗原検査キット 薬局で販売解禁 1123

・新薬候補 超高速で予測のAl開発 ヨロi20
・名古屋市立大 残業代一部未払い 1s9
・「寝たきり芸人」ロボで出勤 288
・白腸引退 少年がつかんだ運と夢 Q3 227
・幸せな3年間 Foorinが活動終了 723

もっと見る トピックス一覧



パクリ
9/27(月) 21:24
丹波新聞

 

下次有 OCR 的需求時,也可以試試 Tesseract OCR 這個工具囉~

 

參考資料:How to use OCR from the command line in Linux? – Unix & Linux Stack Exchange

(本頁面已被瀏覽過 1,463 次)

發佈留言

發佈留言必須填寫的電子郵件地址不會公開。 必填欄位標示為 *

這個網站採用 Akismet 服務減少垃圾留言。進一步了解 Akismet 如何處理網站訪客的留言資料