基Python识图片中文字工具设计实现
Design and Implementation of a Python Based Tool for Recognizing Characters in Pictures
摘
着时代发展计算机普现资料文献档案书籍逐渐变成数字化模式前已纸质资料文献档案书籍存量十分纸张作载体保存容话存少方便安全隐患纸张法生纸张旦损毁面记录容会丢失纸张方便传播纸质资料转化电子化形式非常必光学字符识（Optical Character Recognition OCR）种印刷者写纸容识成字符保存计算中技术文字录入书籍电子化领域起着关重作
OCR进行识时候存着影响识成功率素例图文件背景识字符字体等素文研究通图文件预处理训练字库提升识成功率次课题研究容包括容：
（1）开发基PythonOCR工具
（2）通图片进行灰度化处理二值化处理降噪处理减少图背景非字符干扰提高识准确率
（3）训练字库开发OCR工具提高识准确率时够识般印刷字体外字体字符容
关键词：OCR技术信息化纸质资料文字录入灰度化处理二值化处理
Abstract
With the development of the era and the popularity of computers data literature archives and books are now gradually turned into digital forms But before that there has been a great number of paper data literature archives and books There are many inconveniences and security risks in using paper as the carrier to preserve these contents Paper is not regenerated Once the paper is damaged the contents recorded on it will be lost and the paper is not convenient for spreading so it’s necessary to convert paper data into electronic forms Optical Character Recognition (OCR) is a technology that can recognize the printed or written content into characters and save them to calculation It plays an important role in the fields of text input and electronic books
When OCR is used for recognition there are some factors affecting the success rate of recognition such as the background of image file and the font of the recognized characters This paper focuses on the improvement of the success rate of recognition by preprocessing image file and training font library The research content of this project mainly includes
(1) Developing a Pythonbased OCR tool
(2) Reducing such interference factors as the background and the font of the recognized characters in the image through grayscale processing binarization processing and noise reduction processing to improve the accuracy of recognition
(3) Training the font library to improve the accuracy of recognition and make it possible for the developed OCR tool to recognized special fonts and characters in addition to general printed fonts
Key words OCR technology informatization paper data text input grayscale processing binarization binarization processing
目录
第章 绪 1
11 项目研究背景意义 1
111 图片中文字识工具研究背景 1
112 图片中文字识工具研究意义 1
12 国外研究现状 2
121国外研究现状 2
122 国研究现状 2
13 文研究容框架结构 2
131 文研究容 2
132 文框架结构 2
14 章结 3
第二章 基Python识图片中文字工具技术介绍 4
21 图预处理 4
211 关图灰度化 4
212 图灰度化四种方法 4
22 图二值化工具 5
23 章结 6
第三章 项目设计思路构想 7
31 软件设计思路 7
311 开发语言 7
312 开发库 7
313 系统功需求 7
32 应运行流程 8
33 章结 9
第四章 图文件预处理原理实现 10
41 图文件预处理 10
411 灰度化处理三种方法代码实现 10
412 图文件二值化处理 12
413 图文件降噪处理 13
42 章结 14
第五章 项目开发实现 15
51 前期工作 15
52 应功实现 16
521 界面设计介绍 16
523 应界面关键代码介绍 18
524 应界面菜单栏状态栏设置控件功实现 19
525 pytesseract模块进行文字识测试 21
第六章 训练样库 23
61 jTessBoxEditorFX安装 23
611 jTessBoxEditorFX安装运行环境配置 23
612 jTessBoxEditorFX进行样训练 25
613 测试样效果 29
62 章结 31
第七章 总结展 32
71 总结 32
72 展 32
参考文献 33
致 谢 34
附 录 35
第章 绪
着时代断发展科学技术断进步计算机网络已走进千家万户日常生活中起重作类已进入信息化时代信息化时代里已少书籍档案已纸质载体中转变成数字化模式许纸质资料文献未实现数字化纸质转变数字化文献资料保存着重意义文分析识图片中文字技术现状存问题文容安排进行概述
11 项目研究背景意义
111 图片中文字识工具研究背景
目前部分档案资料书籍纸质存档形式进行保存纸张作载体形式存足纸质档案容易损坏法生方便调
着信息化技术快速发展计算机普种样信息逐渐电子化少纸质档案资料文献转变成电子化形式进行保存纸质文档存数量众电子化录入工作量存着许纸质文档未实现电子化保存够快速准确文字信息录入计算机等类电子设备中便成纸质文档录入工作解决关键
112 图片中文字识工具研究意义
资料纸质转化电子化程中需纸记录容录入计算机里面现存纸质资料文献数量众工方式进行录入话样仅花费量力时间
OCR技术英文全名称Optical Character Recognition光学字符识技术利光学计算机技术识印刷写纸字符转换成计算机接受理解格式该技术减少纸质文档录入工作量文档纸质转电子化更加快速方便实现难度汉字字符识相英文字母识更加困难部分汉字仅笔画较复杂存着形态相笔画形态英文字母1980年时国家标准总局发布信息交换汉字编码字符集（GB231280）中基集收入汉字6763中日常生活中出现频率较高级汉字3755出现频率较低二级汉字3008汉字数量复杂度提升识难度
12 国外研究现状
121国外研究现状
60年代时光学字符识技术已受关注世界国开始该技术进行研究研究刚开始阶段研究容OCR技术识方法识象简单数字OCR技术发展分三阶段第阶段60年代初第阶段OCR产品识指定字体数字英文字母部分符号第二阶段60年代中期70年代初期该阶段OCR产品识手写体字符广泛应现实中第三阶段OCR技术解决质量较差文档字符集识[1]提升识速度准确率
122 国研究现状
文字识技术方面国外起步国早国OCR技术研究方面相较落70年代时候开始较简单字符识进行研究例数字英文字母符号没中文字符识进行研究直70年代末开始进行汉字识研究1986年国提出国家高技术研究发展计划（863计划）汉字识研究正式进入实质性阶段国推出中文识OCR产品时处研究初期技术够成熟等原推出产品识准确率等种素达求着OCR技术断成熟发展OCR技术现已运日常生活中
13 文研究容框架结构
131 文研究容
文研究容Python语言结合模块进行开发jTessBoxEditor训练字库该工具支持字体
（1）确定该工具实现功
（2）确保该工具文字识准确率
132 文框架结构
文研究容基Python识图片中文字工具设计实现全文分七章
第章：介绍基Python识图片中文字工具研究背景意义光学字符识（Optical Character Recognition OCR）国外研究现状识图片中文字工具存问题足阐述文总体结构
第二章：基Python识图片中文字工具技术介绍
第三章：项目设计思路构想
第四章：图文件预处理原理实现
第五章：项目开发实现
第六章：训练样库
第七章：总结展
14 章结
章中阐述课题研究背景OCR发展历史国外研究现状课题研究意义介绍次课题研究容篇文章容进行纳
第二章 基Python识图片中文字工具技术介绍
21 图预处理
211 关图灰度化
图预处理目改善图数抑制需变形增强某处理重作图特征[3]时接触彩色图片中部分采红绿蓝三颜色通道变化三颜色互相间叠加种样颜色目前运颜色系统做RGB颜色模式RGB反映图形态特征[2]识图片中文字前需图片进行预处理样减少干扰特征更加明显提升识正确率
灰度图( grey scale image) 称灰阶图幅含亮度信息含色彩信息图原彩色图较通道图中素实亮度值( Intensity)样图处理计算量相应幅减少[4]
RGB模型图中RGB取相值实现图灰度化处理RGB值做灰度值灰度值越灰度值会越素颜色趋白色反趋黑色[1]
图11图灰度化处理
212 图灰度化四种方法
（1）分量法
彩色图片中三分量RGB亮度作三灰度值然根需选取合适灰度值
Gray(ij)R(ij)
(1)
Gray(ij)G(ij)
(2)
Gray(ij)B(ij)
(3)
（2）值法
彩色图片中三分量亮度作灰度值
Gray(ij)max{R(ij)G(ij)B(ij)}
(4)
（3）均值法
彩色图中三分量亮度求均灰度值
Gray(ij)（R(ij)+G(ij)+B(ij)）3
(5)
（4）加权均法
根需提取特征重性指标RGB三分量权值进行加权均计算眼睛绿色敏感度高蓝色敏感度低式RGB三分量进行加权均计算较合理灰度图[5]
Gray(ij)0299∗R(ij)+0578∗G(ij)+0114∗B(ij) (6)
22 图二值化工具
（1）关图二值化
二值化图中黑白两种灰度图中素RGB值：白（255255255）黑（000）图二值化质图分割原理利需分割目标背景灰度特性差异进行提取
含文字图灰度化处理二值化处理余素中文字更加突出样图文字识工具时准确率提升
图21 图二值化处理
（2）开源OCR工具TesseractOCR
Tesseract初HP1980年代开始研发1995年时Tesseract发展成准确OCR识引擎[6]HP放弃OCR业务直2005年Tesseract开源Google赞助该项目Tesseract进行优化改进Tesseract已支持超100种书面语言者根需求Tesseract进行针性训练进行扩展[7]
（3）jTessBoxEditor训练样
jTessBoxEditorJava开发出训练OCR识样工具通该工具训练样Tesseract识训练语言字体通训练样提升识准确率
23 章结
章中简单介绍整系统实现步骤图灰度化种方法图二值化处理原理效果展示介绍次课题需核心工具
第三章 项目设计思路构想
31 软件设计思路
311 开发语言
次课题开发语言PythonPython荷兰吉·范罗苏姆开发款跨台程序开发语言高层次结合编译性解释性互动性面象脚语言Python提供十分完善基础代码库进行开发时候许功需头开始写直接现成外Python许非官方第三方库库开发员组织提供开源库根开发需直接第三方库时开发代码作第三方库供
312 开发库
（1）PIL
PIL(Python Imaging Library)计算机程序设计语言Python图处理标准库具备图加载转换滤波等基功[8]拥着强图处理功数众认Python官方图处理库中Image类PIL库里核心类文件中载入图文件创建新图载入者创建图进行裁剪旋转翻转保存指定格式颜色通道分离合等操作
（2）pytesseract
pytesseractTesseractOCR层封装Python光学字符识(OCR)工具读取识图中字符文形式输出图处理直接该工具识话效果理想
（3）PyQt5
PyQt基高性QtGUI控件集Qt框架Python实现够跨台运行WindowsLinuxMac OS操作系统GUI库里较强库
(4)OpenCV
OpenCV跨台计算机视觉库中包含计算机操作系统计算机语言编程台支持 API 接口源码库[9]该库开源项目源代码根需进行修改
313 系统功需求
OCR图片中文字文形式进行输出保存需友操作界面供户户行选择开需识图片识完成文形式进行输出时户直接输出文中识错误文字进行修改
（1）识字符求
日常生活中常见字符种分英文字母数字标点符号中文字符必须支持三种字符识准确率达较高水
（2）准确率求
图片会出现非字符容例背景图案等容图片进行预处理图片非字符干扰物掉进行文字识提高识准确率外量原图片中文字段落格式
（3）识效率
识处理程短输入输出整处理程时间太长否法达通文字识提高工作效率作
32 应运行流程
该应运行分图片输入图片灰度化处理图片二值化处理文字识输出文五步骤流程图图31示
图31 运行流程图
33 章结
章具体介绍次课题需工具模块整系统流程进行划分成图片输入图片灰度化处理图片二值化处理文字识输出文五步骤
第四章 图文件预处理原理实现
41 图文件预处理
411 灰度化处理三种方法代码实现
（１）值灰度处理方法
图灰度化处理值法灰度值设彩色图片中RGB三分量中值公式：
Gray(ij)max{R(ij)G(ij)B(ij)}
通该方法进行灰度化处理灰度图亮度会高效果图41(a)示实现代码图41(b)示：
图41(a) 值灰度处理
图41(b) 值灰度处理核心代码
（２）均灰度处理方法
均灰度处理方法原彩色图片RGB三分量灰度值求求均值然出值作灰度值计算公式示：
Gray(ij)（R(ij)+G(ij)+B(ij)）3
(
通该方法处理彩色图片效果图42(a)实现代码图42(b)示：
图42(a) 均灰度处理法
图42(b) 均灰度处理法核心代码
（３）加权均灰度处理方法
根需提取特征重性指标RGB三分量权值进行加权均计算计算公式示：
Gray(ij)0299∗R(ij)+0578∗G(ij)+0114∗B(ij)
处理结果图43(a)示实现代码图43(b)示：
图43(a) 加权均灰度处理法
图43(b) 加权均灰度处理法核心代码
412 图文件二值化处理
图灰度化处理进行二值化处理进行二值化处理需选定特定阈值量里选择阈值127二值化图等阈值量素点灰度值设置值255阈值127素点灰度值设置0二值化效果图44(a)示代码实现图44(b)示
图44(a) 图二值化处理
图44(b) 二值化处理核心代码
413 图文件降噪处理
灰度化二值化处理彩色图片背景已法辨认变成零散素点接需图片进行降噪处理图噪声指图数中含必者冗余[10]
干扰信息处八邻域降噪方法八邻域降噪前提彩色图先进行灰度化处理里直接灰度化二值化处理图片进行降噪八邻降噪法降噪原理次遍历已灰度化二值化处理图文件中白色素点然计算非白色素点周围八点中白色素点数量果周围非白色素点固定值白色素点视噪点进行降噪处理固定值需情况进行设置果值设置会导致非噪点素点进行降噪果设置话降噪效果会理想降噪效果图45(a)示实现代码图45(b)示面途中明显发现文字外余素点已消许存干扰没降噪前干扰相已降低少
图45(a) 图片降噪处理
图45(b) 降噪处理核心代码
42 章结
章介绍图片预处理Python语言实现展示处理实现原理实现代码处理效果图未进行处理图进行较更加直观出处理图片关键信息变更加明显
第五章 项目开发实现
51 前期工作
（1）安装Python 35
直接进入Python官网中载页面中选择适合计算机系统版进行载载完成进行安装安装完成需进行环境变量配置图51示：
图51 环境变量配置
完成环境变量配置开cmd输入python出现图52示信息说明Python 35安装成功够正常
图52 python35安装成功
（2）安装TesseractOCR
进入Tesseract官方网站中选择适合计算机版TesseractOCR进行载安装安装完成进行环境变量配置开cmd输入tesseract出现图53示信息表明TesseractOCR安装成功够正常
图53 tesseract安装成功
（3）IDE程序需模块安装
IDEPycharmPycharm拥代码调试语法高亮智提示等功户提高Python开发效率直接项目里安装需模块
安装Pycharm新建项目设置中已模块根需安装新模块图54示次模块包括：PillowPyQt5pytesseractOpenCV
图54 模块安装
52 应功实现
521 界面设计介绍
方便应PyQt5开发简洁功齐全应程序界面通简单操作够实现图片中文字转化文形式图55示：
图55 应界面设计
界面中提供者开图片文件钮者需通单击应程序界面浏览钮开文件选择器文件选择器选择需识图片文件点击开完成文件选择图56示：
图56 文件选择器
通点击界面方菜单栏中设置钮选择识样库选择默认样库界面右角前样库图47示：
图57 选择样库
523 应界面关键代码介绍
（1）应界面窗口编写
新建Python文件AppUipy应界面窗口编写前需PyQt5里需QtCoreQtGuiQtWidgets等模块进行导入
图58 导入模块
setGeometry()函数创建显示屏幕（300300）位置宽600高800窗口宽高设置固定setWindowTitle()函数窗口标题设置图文识工具代码图58示：
图59 窗口创建
（2）应界面添加控件
根功需求需窗口界面添加菜单栏状态栏钮文显示框文编辑框控件QHBoxLayout()方法设置水布局水方排列控件QTextBrowser()新建文显示框显示选择图片文件绝路径QPushButton()创建浏览开始钮浏览钮开文件选择器设置选择文件类型图片文件开始钮选图片传递端进行处理QTextEdit()方法创建文编辑框显示图片台处理返回结果直接文编辑框识误文字进行编辑addWidget()方法面创建控件添加窗口面通setGeometry()函数设置控件位置具体代码图510(a)510(b)示：
图510(a) 控件创建添加部分代码
图510(b) 控件创建添加部分代码
524 应界面菜单栏状态栏设置控件功实现
（1）菜单栏状态栏设置
菜单栏GUI应程序通组件menuBar()方法创建菜单栏addMenu()菜单栏创建文件钮设置钮关钮addAction()方法文件菜单添加开保存退出行具体代码图511示：
图511 菜单栏
应界面添加完控件需控件进行配置控件够实现需功菜单栏钮triggeredconnect()方法设置点击事件图411示钮连接事件图512示点击浏览钮执行QFileDialog()开文件选择器getOpenFileName()设置文件扩展名滤选择开图文件获取开文件文件类型绝路径然QTextBrower()setText()获取文件名显示textBrowser点击菜单栏设置选择选择样库样通QFileDialog()开文件选择器文件扩展名滤设置开扩展名traineddatad 训练样文件然选择样通shutilcopy()放TesseractOCRtessdata文件夹样参数YB改选样传端进行台返回识结果空时会弹出警告提示框
图512 钮点击事件
525 pytesseract模块进行文字识测试
完成应程序界面设计开发步应程序前端界面端功进行接应程序界面中完成图文件选择开始识前需选图文件传台进行图预处理点击开始钮时图文件会传yuchulipy文件processing()中时该图文件进行灰度化二值化处理灰度化二值化处理图文件保存目录temp文件夹中return该文件位置绝路径获取灰度化值化处理文件路径该路径传jiangzaopy文件noise_remove()中进行降噪步骤完成处理完成图片pytesseract模块进行文字识图513示字符串显示应程序界面演示图片图514示结果图515示：
图513 pytesseract
图514 演示图片
图515 文字识
面演示tesseract官方中文样库面演示结果出然图片预处理进行识识准确率旧理想原演示图文件中字体般系统字体种手写字体部分文字未够正确识出种特殊字体想提高准确率jTessBoxEditorFX训练专字库进行识
第六章 训练样库
61 jTessBoxEditorFX安装
611 jTessBoxEditorFX安装运行环境配置
（1）jTessBoxEditorFX载
官方网站中载jTessBoxEditorFXjTessBoxEditorFX载压缩包需进行安装直接解压解压图61示：
图61 jTessBoxEditorFX解压
（2）Java安装环境变量配置
进入Java官网选择符合操作系统版进行载安装安装完成需进行环境变量配置图6263示：
图62 Java环境变量配置
图63 Java环境变量配置
环境变量配置完成开cmd输入javajavac出现图6465示容表示Java正确安装够
图64 cmd输入java
图65 cmd输入javac
612 jTessBoxEditorFX进行样训练
进行训练前需先训练样进行处理次图文件作样先该图文件转换tif格式图文件开jTessBoxEditorFX点击界面菜单栏Tools选择Merge Tiff然选择需训练图文件图66示：
图66 选择需训练图
点击开继续选择需保存目录输入生成文件名字图67示：
图67 保存目录
点击保存会弹出图68示提示窗口时表示已成功原图转化tif格式文件开选保存目录生成tif文件图69示
图68 成功弹窗
图69 tif文件目录
生成tif文件tesseract生成应tif文件box文件开tif目录址栏输入cmd然cmd中输入tesseract testtif test l chi_sim psm 7 batchnochop makebox生成该tif文件应box文件图610示：
图610 生成box文件
完成步骤选择jTessBoxEditorFX生成tif文件中文字容进行校正Box Editor中点击Open钮选择前生成tif文件图610示：
图611 选择tif文件
开tif文件jTessBoxEditorFX会动关联步骤生成box文件然jTessBoxEditorFX中该图文件面识出字符位置容图612示：
图612 开tif文件
图612出系统识出文字位置容准确需手动进行校正校正效果图613示：
图613 文字校正
完成文字容位置校正点击方save进行保存保存完成点击方Trainer然Tesseract Executables设置TesseractOCR安装目录Trainning Data选择刚刚tif文件夹 Trainning Mode选择Train with Existing Box点击runjTessBoxEditorFX会校正文字位置容进行处理生成traineddata文件图614示：
图614 完成样训练
613 测试样效果
（1）手写字体效果测试
次测试分官方中文字库述完成csb训练样进行较官方字库测试结果图615训练字库测试结果图616示：
图615 官方字库测试结果
图616 csb训练样测试结果
（2）特殊字体测试
验证jTessBoxEditorFX意字体文字进行训练达较高识准确率进行种较潦草字体进行训练测试图片图617测试结果图618示：
图617 测试图片
图618 测试结果
（3）测试总结
面两组测试结果图片知训练字库进行识话准确率官方字库高面展示结果果针图文件训练样识该图准确率够达百分百
62 章结
章详细介绍jTessBoxEditorFX工具训练字库展示训练字库官方中文字库进行识效果出图中文字果般常见印刷字体话需通训练字库获取较识效果
第七章 总结展
71 总结
月努力次课题研究开发已接尾声完成次毕业课题课程中解许新知识开拓视野次课题基Python识图片中文字工具设计实现Python进行开发课题涉少图处理相关知识查阅少文献中学新知识时完成次开发程中编程开发水提高
然次课题基功已实现文字识准确率相限想实现高识率需花费量时间进行训练字库文字校正场景复杂场景中想获取清晰文字容需进行量图处理
72 展
信息化时代里种样数逐渐转化成电子化信息现存纸质资料数未会录入计算机中保存OCR技术数录入环节中起关重作然现OCR技术已非常成熟居然高准确率识效率然没够达百分百准确率着科技断发展相信久OCR技术会更层楼
参考文献
[1]谢飞纸质目录卡片数字化转换MapReduce行处理[D]湖南国防科学技术学2015
[2]张伟超肖中俊严志国基OpencvTesseract行驶证识系统设计[J]齐鲁工业学学报202034(1)4752 DOI1016442jcnkiqlgydxxb202001009
[3]刘保安 基 MATLAB 车牌图预处理应[J] 电脑迷2019(2)：1113
[4] 陈碗灰度指纹图增强[D]江苏南京理工学2006 DOI107666dy1001076
[5] 刘海波吴昊基OpenCV图处理[J]计算机光盘软件应2014(9)195195197
[6]刘永春基SVM车牌字符识算法研究[J]四川理工学院学报：然科学版201225(4)4649 DOI103969jissn16731549201204013
[7]张淙悦尹梓名孙运 等基Tesseract医学化验单容识技术[J]北京生物医学工程201938(3)283289 DOI103969jissn10023208201903011
[8]杨琰皓PythonPIL库识条码译码度研究[J]中国动识技术2019(1)6871 DOI103969jissn16736362201901013
[9]邹富周俊范倩蓝 等基UP SquaredOpenCV物体图识应[J]电子测试2019(22)6263
[10]郭室驿基OpenCVTesseractOCR英文字符算法研究[J]电脑编程技巧维护2019(6)4549 DOI103969jissn10064052201906017
文档香网(httpswwwxiangdangnet)户传
《香当网》用户分享的内容，不代表《香当网》观点或立场，请自行判断内容的真实性和可靠性！
该内容是文档的文本内容，更好的格式请下载文档
基Python识图片中文字工具设计实现
Design and Implementation of a Python Based Tool for Recognizing Characters in Pictures
摘
着时代发展计算机普现资料文献档案书籍逐渐变成数字化模式前已纸质资料文献档案书籍存量十分纸张作载体保存容话存少方便安全隐患纸张法生纸张旦损毁面记录容会丢失纸张方便传播纸质资料转化电子化形式非常必光学字符识（Optical Character Recognition OCR）种印刷者写纸容识成字符保存计算中技术文字录入书籍电子化领域起着关重作
OCR进行识时候存着影响识成功率素例图文件背景识字符字体等素文研究通图文件预处理训练字库提升识成功率次课题研究容包括容：
（1）开发基PythonOCR工具
（2）通图片进行灰度化处理二值化处理降噪处理减少图背景非字符干扰提高识准确率
（3）训练字库开发OCR工具提高识准确率时够识般印刷字体外字体字符容
关键词：OCR技术信息化纸质资料文字录入灰度化处理二值化处理
Abstract
With the development of the era and the popularity of computers data literature archives and books are now gradually turned into digital forms But before that there has been a great number of paper data literature archives and books There are many inconveniences and security risks in using paper as the carrier to preserve these contents Paper is not regenerated Once the paper is damaged the contents recorded on it will be lost and the paper is not convenient for spreading so it’s necessary to convert paper data into electronic forms Optical Character Recognition (OCR) is a technology that can recognize the printed or written content into characters and save them to calculation It plays an important role in the fields of text input and electronic books
When OCR is used for recognition there are some factors affecting the success rate of recognition such as the background of image file and the font of the recognized characters This paper focuses on the improvement of the success rate of recognition by preprocessing image file and training font library The research content of this project mainly includes
(1) Developing a Pythonbased OCR tool
(2) Reducing such interference factors as the background and the font of the recognized characters in the image through grayscale processing binarization processing and noise reduction processing to improve the accuracy of recognition
(3) Training the font library to improve the accuracy of recognition and make it possible for the developed OCR tool to recognized special fonts and characters in addition to general printed fonts
Key words OCR technology informatization paper data text input grayscale processing binarization binarization processing
目录
第章 绪 1
11 项目研究背景意义 1
111 图片中文字识工具研究背景 1
112 图片中文字识工具研究意义 1
12 国外研究现状 2
121国外研究现状 2
122 国研究现状 2
13 文研究容框架结构 2
131 文研究容 2
132 文框架结构 2
14 章结 3
第二章 基Python识图片中文字工具技术介绍 4
21 图预处理 4
211 关图灰度化 4
212 图灰度化四种方法 4
22 图二值化工具 5
23 章结 6
第三章 项目设计思路构想 7
31 软件设计思路 7
311 开发语言 7
312 开发库 7
313 系统功需求 7
32 应运行流程 8
33 章结 9
第四章 图文件预处理原理实现 10
41 图文件预处理 10
411 灰度化处理三种方法代码实现 10
412 图文件二值化处理 12
413 图文件降噪处理 13
42 章结 14
第五章 项目开发实现 15
51 前期工作 15
52 应功实现 16
521 界面设计介绍 16
523 应界面关键代码介绍 18
524 应界面菜单栏状态栏设置控件功实现 19
525 pytesseract模块进行文字识测试 21
第六章 训练样库 23
61 jTessBoxEditorFX安装 23
611 jTessBoxEditorFX安装运行环境配置 23
612 jTessBoxEditorFX进行样训练 25
613 测试样效果 29
62 章结 31
第七章 总结展 32
71 总结 32
72 展 32
参考文献 33
致 谢 34
附 录 35
第章 绪
着时代断发展科学技术断进步计算机网络已走进千家万户日常生活中起重作类已进入信息化时代信息化时代里已少书籍档案已纸质载体中转变成数字化模式许纸质资料文献未实现数字化纸质转变数字化文献资料保存着重意义文分析识图片中文字技术现状存问题文容安排进行概述
11 项目研究背景意义
111 图片中文字识工具研究背景
目前部分档案资料书籍纸质存档形式进行保存纸张作载体形式存足纸质档案容易损坏法生方便调
着信息化技术快速发展计算机普种样信息逐渐电子化少纸质档案资料文献转变成电子化形式进行保存纸质文档存数量众电子化录入工作量存着许纸质文档未实现电子化保存够快速准确文字信息录入计算机等类电子设备中便成纸质文档录入工作解决关键
112 图片中文字识工具研究意义
资料纸质转化电子化程中需纸记录容录入计算机里面现存纸质资料文献数量众工方式进行录入话样仅花费量力时间
OCR技术英文全名称Optical Character Recognition光学字符识技术利光学计算机技术识印刷写纸字符转换成计算机接受理解格式该技术减少纸质文档录入工作量文档纸质转电子化更加快速方便实现难度汉字字符识相英文字母识更加困难部分汉字仅笔画较复杂存着形态相笔画形态英文字母1980年时国家标准总局发布信息交换汉字编码字符集（GB231280）中基集收入汉字6763中日常生活中出现频率较高级汉字3755出现频率较低二级汉字3008汉字数量复杂度提升识难度
12 国外研究现状
121国外研究现状
60年代时光学字符识技术已受关注世界国开始该技术进行研究研究刚开始阶段研究容OCR技术识方法识象简单数字OCR技术发展分三阶段第阶段60年代初第阶段OCR产品识指定字体数字英文字母部分符号第二阶段60年代中期70年代初期该阶段OCR产品识手写体字符广泛应现实中第三阶段OCR技术解决质量较差文档字符集识[1]提升识速度准确率
122 国研究现状
文字识技术方面国外起步国早国OCR技术研究方面相较落70年代时候开始较简单字符识进行研究例数字英文字母符号没中文字符识进行研究直70年代末开始进行汉字识研究1986年国提出国家高技术研究发展计划（863计划）汉字识研究正式进入实质性阶段国推出中文识OCR产品时处研究初期技术够成熟等原推出产品识准确率等种素达求着OCR技术断成熟发展OCR技术现已运日常生活中
13 文研究容框架结构
131 文研究容
文研究容Python语言结合模块进行开发jTessBoxEditor训练字库该工具支持字体
（1）确定该工具实现功
（2）确保该工具文字识准确率
132 文框架结构
文研究容基Python识图片中文字工具设计实现全文分七章
第章：介绍基Python识图片中文字工具研究背景意义光学字符识（Optical Character Recognition OCR）国外研究现状识图片中文字工具存问题足阐述文总体结构
第二章：基Python识图片中文字工具技术介绍
第三章：项目设计思路构想
第四章：图文件预处理原理实现
第五章：项目开发实现
第六章：训练样库
第七章：总结展
14 章结
章中阐述课题研究背景OCR发展历史国外研究现状课题研究意义介绍次课题研究容篇文章容进行纳
第二章 基Python识图片中文字工具技术介绍
21 图预处理
211 关图灰度化
图预处理目改善图数抑制需变形增强某处理重作图特征[3]时接触彩色图片中部分采红绿蓝三颜色通道变化三颜色互相间叠加种样颜色目前运颜色系统做RGB颜色模式RGB反映图形态特征[2]识图片中文字前需图片进行预处理样减少干扰特征更加明显提升识正确率
灰度图( grey scale image) 称灰阶图幅含亮度信息含色彩信息图原彩色图较通道图中素实亮度值( Intensity)样图处理计算量相应幅减少[4]
RGB模型图中RGB取相值实现图灰度化处理RGB值做灰度值灰度值越灰度值会越素颜色趋白色反趋黑色[1]
图11图灰度化处理
212 图灰度化四种方法
（1）分量法
彩色图片中三分量RGB亮度作三灰度值然根需选取合适灰度值
Gray(ij)R(ij)
(1)
Gray(ij)G(ij)
(2)
Gray(ij)B(ij)
(3)
（2）值法
彩色图片中三分量亮度作灰度值
Gray(ij)max{R(ij)G(ij)B(ij)}
(4)
（3）均值法
彩色图中三分量亮度求均灰度值
Gray(ij)（R(ij)+G(ij)+B(ij)）3
(5)
（4）加权均法
根需提取特征重性指标RGB三分量权值进行加权均计算眼睛绿色敏感度高蓝色敏感度低式RGB三分量进行加权均计算较合理灰度图[5]
Gray(ij)0299∗R(ij)+0578∗G(ij)+0114∗B(ij) (6)
22 图二值化工具
（1）关图二值化
二值化图中黑白两种灰度图中素RGB值：白（255255255）黑（000）图二值化质图分割原理利需分割目标背景灰度特性差异进行提取
含文字图灰度化处理二值化处理余素中文字更加突出样图文字识工具时准确率提升
图21 图二值化处理
（2）开源OCR工具TesseractOCR
Tesseract初HP1980年代开始研发1995年时Tesseract发展成准确OCR识引擎[6]HP放弃OCR业务直2005年Tesseract开源Google赞助该项目Tesseract进行优化改进Tesseract已支持超100种书面语言者根需求Tesseract进行针性训练进行扩展[7]
（3）jTessBoxEditor训练样
jTessBoxEditorJava开发出训练OCR识样工具通该工具训练样Tesseract识训练语言字体通训练样提升识准确率
23 章结
章中简单介绍整系统实现步骤图灰度化种方法图二值化处理原理效果展示介绍次课题需核心工具
第三章 项目设计思路构想
31 软件设计思路
311 开发语言
次课题开发语言PythonPython荷兰吉·范罗苏姆开发款跨台程序开发语言高层次结合编译性解释性互动性面象脚语言Python提供十分完善基础代码库进行开发时候许功需头开始写直接现成外Python许非官方第三方库库开发员组织提供开源库根开发需直接第三方库时开发代码作第三方库供
312 开发库
（1）PIL
PIL(Python Imaging Library)计算机程序设计语言Python图处理标准库具备图加载转换滤波等基功[8]拥着强图处理功数众认Python官方图处理库中Image类PIL库里核心类文件中载入图文件创建新图载入者创建图进行裁剪旋转翻转保存指定格式颜色通道分离合等操作
（2）pytesseract
pytesseractTesseractOCR层封装Python光学字符识(OCR)工具读取识图中字符文形式输出图处理直接该工具识话效果理想
（3）PyQt5
PyQt基高性QtGUI控件集Qt框架Python实现够跨台运行WindowsLinuxMac OS操作系统GUI库里较强库
(4)OpenCV
OpenCV跨台计算机视觉库中包含计算机操作系统计算机语言编程台支持 API 接口源码库[9]该库开源项目源代码根需进行修改
313 系统功需求
OCR图片中文字文形式进行输出保存需友操作界面供户户行选择开需识图片识完成文形式进行输出时户直接输出文中识错误文字进行修改
（1）识字符求
日常生活中常见字符种分英文字母数字标点符号中文字符必须支持三种字符识准确率达较高水
（2）准确率求
图片会出现非字符容例背景图案等容图片进行预处理图片非字符干扰物掉进行文字识提高识准确率外量原图片中文字段落格式
（3）识效率
识处理程短输入输出整处理程时间太长否法达通文字识提高工作效率作
32 应运行流程
该应运行分图片输入图片灰度化处理图片二值化处理文字识输出文五步骤流程图图31示
图31 运行流程图
33 章结
章具体介绍次课题需工具模块整系统流程进行划分成图片输入图片灰度化处理图片二值化处理文字识输出文五步骤
第四章 图文件预处理原理实现
41 图文件预处理
411 灰度化处理三种方法代码实现
（１）值灰度处理方法
图灰度化处理值法灰度值设彩色图片中RGB三分量中值公式：
Gray(ij)max{R(ij)G(ij)B(ij)}
通该方法进行灰度化处理灰度图亮度会高效果图41(a)示实现代码图41(b)示：
图41(a) 值灰度处理
图41(b) 值灰度处理核心代码
（２）均灰度处理方法
均灰度处理方法原彩色图片RGB三分量灰度值求求均值然出值作灰度值计算公式示：
Gray(ij)（R(ij)+G(ij)+B(ij)）3
(
通该方法处理彩色图片效果图42(a)实现代码图42(b)示：
图42(a) 均灰度处理法
图42(b) 均灰度处理法核心代码
（３）加权均灰度处理方法
根需提取特征重性指标RGB三分量权值进行加权均计算计算公式示：
Gray(ij)0299∗R(ij)+0578∗G(ij)+0114∗B(ij)
处理结果图43(a)示实现代码图43(b)示：
图43(a) 加权均灰度处理法
图43(b) 加权均灰度处理法核心代码
412 图文件二值化处理
图灰度化处理进行二值化处理进行二值化处理需选定特定阈值量里选择阈值127二值化图等阈值量素点灰度值设置值255阈值127素点灰度值设置0二值化效果图44(a)示代码实现图44(b)示
图44(a) 图二值化处理
图44(b) 二值化处理核心代码
413 图文件降噪处理
灰度化二值化处理彩色图片背景已法辨认变成零散素点接需图片进行降噪处理图噪声指图数中含必者冗余[10]
干扰信息处八邻域降噪方法八邻域降噪前提彩色图先进行灰度化处理里直接灰度化二值化处理图片进行降噪八邻降噪法降噪原理次遍历已灰度化二值化处理图文件中白色素点然计算非白色素点周围八点中白色素点数量果周围非白色素点固定值白色素点视噪点进行降噪处理固定值需情况进行设置果值设置会导致非噪点素点进行降噪果设置话降噪效果会理想降噪效果图45(a)示实现代码图45(b)示面途中明显发现文字外余素点已消许存干扰没降噪前干扰相已降低少
图45(a) 图片降噪处理
图45(b) 降噪处理核心代码
42 章结
章介绍图片预处理Python语言实现展示处理实现原理实现代码处理效果图未进行处理图进行较更加直观出处理图片关键信息变更加明显
第五章 项目开发实现
51 前期工作
（1）安装Python 35
直接进入Python官网中载页面中选择适合计算机系统版进行载载完成进行安装安装完成需进行环境变量配置图51示：
图51 环境变量配置
完成环境变量配置开cmd输入python出现图52示信息说明Python 35安装成功够正常
图52 python35安装成功
（2）安装TesseractOCR
进入Tesseract官方网站中选择适合计算机版TesseractOCR进行载安装安装完成进行环境变量配置开cmd输入tesseract出现图53示信息表明TesseractOCR安装成功够正常
图53 tesseract安装成功
（3）IDE程序需模块安装
IDEPycharmPycharm拥代码调试语法高亮智提示等功户提高Python开发效率直接项目里安装需模块
安装Pycharm新建项目设置中已模块根需安装新模块图54示次模块包括：PillowPyQt5pytesseractOpenCV
图54 模块安装
52 应功实现
521 界面设计介绍
方便应PyQt5开发简洁功齐全应程序界面通简单操作够实现图片中文字转化文形式图55示：
图55 应界面设计
界面中提供者开图片文件钮者需通单击应程序界面浏览钮开文件选择器文件选择器选择需识图片文件点击开完成文件选择图56示：
图56 文件选择器
通点击界面方菜单栏中设置钮选择识样库选择默认样库界面右角前样库图47示：
图57 选择样库
523 应界面关键代码介绍
（1）应界面窗口编写
新建Python文件AppUipy应界面窗口编写前需PyQt5里需QtCoreQtGuiQtWidgets等模块进行导入
图58 导入模块
setGeometry()函数创建显示屏幕（300300）位置宽600高800窗口宽高设置固定setWindowTitle()函数窗口标题设置图文识工具代码图58示：
图59 窗口创建
（2）应界面添加控件
根功需求需窗口界面添加菜单栏状态栏钮文显示框文编辑框控件QHBoxLayout()方法设置水布局水方排列控件QTextBrowser()新建文显示框显示选择图片文件绝路径QPushButton()创建浏览开始钮浏览钮开文件选择器设置选择文件类型图片文件开始钮选图片传递端进行处理QTextEdit()方法创建文编辑框显示图片台处理返回结果直接文编辑框识误文字进行编辑addWidget()方法面创建控件添加窗口面通setGeometry()函数设置控件位置具体代码图510(a)510(b)示：
图510(a) 控件创建添加部分代码
图510(b) 控件创建添加部分代码
524 应界面菜单栏状态栏设置控件功实现
（1）菜单栏状态栏设置
菜单栏GUI应程序通组件menuBar()方法创建菜单栏addMenu()菜单栏创建文件钮设置钮关钮addAction()方法文件菜单添加开保存退出行具体代码图511示：
图511 菜单栏
应界面添加完控件需控件进行配置控件够实现需功菜单栏钮triggeredconnect()方法设置点击事件图411示钮连接事件图512示点击浏览钮执行QFileDialog()开文件选择器getOpenFileName()设置文件扩展名滤选择开图文件获取开文件文件类型绝路径然QTextBrower()setText()获取文件名显示textBrowser点击菜单栏设置选择选择样库样通QFileDialog()开文件选择器文件扩展名滤设置开扩展名traineddatad 训练样文件然选择样通shutilcopy()放TesseractOCRtessdata文件夹样参数YB改选样传端进行台返回识结果空时会弹出警告提示框
图512 钮点击事件
525 pytesseract模块进行文字识测试
完成应程序界面设计开发步应程序前端界面端功进行接应程序界面中完成图文件选择开始识前需选图文件传台进行图预处理点击开始钮时图文件会传yuchulipy文件processing()中时该图文件进行灰度化二值化处理灰度化二值化处理图文件保存目录temp文件夹中return该文件位置绝路径获取灰度化值化处理文件路径该路径传jiangzaopy文件noise_remove()中进行降噪步骤完成处理完成图片pytesseract模块进行文字识图513示字符串显示应程序界面演示图片图514示结果图515示：
图513 pytesseract
图514 演示图片
图515 文字识
面演示tesseract官方中文样库面演示结果出然图片预处理进行识识准确率旧理想原演示图文件中字体般系统字体种手写字体部分文字未够正确识出种特殊字体想提高准确率jTessBoxEditorFX训练专字库进行识
第六章 训练样库
61 jTessBoxEditorFX安装
611 jTessBoxEditorFX安装运行环境配置
（1）jTessBoxEditorFX载
官方网站中载jTessBoxEditorFXjTessBoxEditorFX载压缩包需进行安装直接解压解压图61示：
图61 jTessBoxEditorFX解压
（2）Java安装环境变量配置
进入Java官网选择符合操作系统版进行载安装安装完成需进行环境变量配置图6263示：
图62 Java环境变量配置
图63 Java环境变量配置
环境变量配置完成开cmd输入javajavac出现图6465示容表示Java正确安装够
图64 cmd输入java
图65 cmd输入javac
612 jTessBoxEditorFX进行样训练
进行训练前需先训练样进行处理次图文件作样先该图文件转换tif格式图文件开jTessBoxEditorFX点击界面菜单栏Tools选择Merge Tiff然选择需训练图文件图66示：
图66 选择需训练图
点击开继续选择需保存目录输入生成文件名字图67示：
图67 保存目录
点击保存会弹出图68示提示窗口时表示已成功原图转化tif格式文件开选保存目录生成tif文件图69示
图68 成功弹窗
图69 tif文件目录
生成tif文件tesseract生成应tif文件box文件开tif目录址栏输入cmd然cmd中输入tesseract testtif test l chi_sim psm 7 batchnochop makebox生成该tif文件应box文件图610示：
图610 生成box文件
完成步骤选择jTessBoxEditorFX生成tif文件中文字容进行校正Box Editor中点击Open钮选择前生成tif文件图610示：
图611 选择tif文件
开tif文件jTessBoxEditorFX会动关联步骤生成box文件然jTessBoxEditorFX中该图文件面识出字符位置容图612示：
图612 开tif文件
图612出系统识出文字位置容准确需手动进行校正校正效果图613示：
图613 文字校正
完成文字容位置校正点击方save进行保存保存完成点击方Trainer然Tesseract Executables设置TesseractOCR安装目录Trainning Data选择刚刚tif文件夹 Trainning Mode选择Train with Existing Box点击runjTessBoxEditorFX会校正文字位置容进行处理生成traineddata文件图614示：
图614 完成样训练
613 测试样效果
（1）手写字体效果测试
次测试分官方中文字库述完成csb训练样进行较官方字库测试结果图615训练字库测试结果图616示：
图615 官方字库测试结果
图616 csb训练样测试结果
（2）特殊字体测试
验证jTessBoxEditorFX意字体文字进行训练达较高识准确率进行种较潦草字体进行训练测试图片图617测试结果图618示：
图617 测试图片
图618 测试结果
（3）测试总结
面两组测试结果图片知训练字库进行识话准确率官方字库高面展示结果果针图文件训练样识该图准确率够达百分百
62 章结
章详细介绍jTessBoxEditorFX工具训练字库展示训练字库官方中文字库进行识效果出图中文字果般常见印刷字体话需通训练字库获取较识效果
第七章 总结展
71 总结
月努力次课题研究开发已接尾声完成次毕业课题课程中解许新知识开拓视野次课题基Python识图片中文字工具设计实现Python进行开发课题涉少图处理相关知识查阅少文献中学新知识时完成次开发程中编程开发水提高
然次课题基功已实现文字识准确率相限想实现高识率需花费量时间进行训练字库文字校正场景复杂场景中想获取清晰文字容需进行量图处理
72 展
信息化时代里种样数逐渐转化成电子化信息现存纸质资料数未会录入计算机中保存OCR技术数录入环节中起关重作然现OCR技术已非常成熟居然高准确率识效率然没够达百分百准确率着科技断发展相信久OCR技术会更层楼
参考文献
[1]谢飞纸质目录卡片数字化转换MapReduce行处理[D]湖南国防科学技术学2015
[2]张伟超肖中俊严志国基OpencvTesseract行驶证识系统设计[J]齐鲁工业学学报202034(1)4752 DOI1016442jcnkiqlgydxxb202001009
[3]刘保安 基 MATLAB 车牌图预处理应[J] 电脑迷2019(2)：1113
[4] 陈碗灰度指纹图增强[D]江苏南京理工学2006 DOI107666dy1001076
[5] 刘海波吴昊基OpenCV图处理[J]计算机光盘软件应2014(9)195195197
[6]刘永春基SVM车牌字符识算法研究[J]四川理工学院学报：然科学版201225(4)4649 DOI103969jissn16731549201204013
[7]张淙悦尹梓名孙运 等基Tesseract医学化验单容识技术[J]北京生物医学工程201938(3)283289 DOI103969jissn10023208201903011
[8]杨琰皓PythonPIL库识条码译码度研究[J]中国动识技术2019(1)6871 DOI103969jissn16736362201901013
[9]邹富周俊范倩蓝 等基UP SquaredOpenCV物体图识应[J]电子测试2019(22)6263
[10]郭室驿基OpenCVTesseractOCR英文字符算法研究[J]电脑编程技巧维护2019(6)4549 DOI103969jissn10064052201906017
文档香网(httpswwwxiangdangnet)户传
《香当网》用户分享的内容，不代表《香当网》观点或立场，请自行判断内容的真实性和可靠性！
该内容是文档的文本内容，更好的格式请下载文档