截屏、文字提取一气呵成，超实用OCR开源小工具

机器之心报道

机器之心编辑部

这个文本 OCR 小工具，能让你「所截即所得」。

在我们办公时，是不是经常遇到图片内容转文字的需求？

你是用什么工具解决的呢？是手机自带拍照转文字功能？还是使用 QQ 里面的工具？

今天我们就为大家介绍一款 GitHub 用户 ianzhao05 刚发布的小工具——textshot，只需要截屏就能实时生成文字。读者也可以通过此项目大致了解如何对图像中的文本进行识别。

项目链接：https://github.com/ianzhao05/textshot

使用方法

运行 textshot.py，在屏幕上打开一个 overlay，在你希望提取的文字区域画一个矩形。

使用可选的命令行参数指定语言。例如，python textshot.py eng + fra 将使用英语作为主要语言，使用法语作为次要语言。默认值为英语（eng）。同时确保为其他语言安装了适用于 Tesseract 的数据文件。

建议将热键附加到此工具上。对于 Windows 来说，可以使用 AutoHotkey 脚本来完成此操作；textshot.ahk 同时也包含一个可以使用的示例 AHK 脚本。

如果是 Ubuntu 系统，可以打开「键盘设置」，其中显示了所有 Gnome 快捷方式。底部有一个「+」按钮，可用于添加你自己的快捷方式。单击并将其命令设置为 / usr / bin / python3 <path-to-textshot.py>。如果使用的是 venv，则上面的 python3 路径应指向 venv 的 python3 而不是全局 python3。

部分代码展示

如何安装

1. 安装 Python 3；
2. 复制 TextShot 库，并使用跳转命令 cd 进入该库；
3. （可选项）创建一个虚拟环境，例如使用 python -m venv .venv ；
4. 使用 pip install -r requirements.txt 安装所需的软件包；
5. 安装 Google 的 Tesseract OCR 引擎（https://github.com/tesseract-ocr/tesseract），并通过将目录添加到系统路径来确保可以从命令行访问 tesseract。

这个实用小工具的开发也离不开谷歌经典 OCR 开源项目 Tesseract。

Tessract 的使用

Tesseract 是目前最好的用于机器打印字符识别的开源 OCR 工具。20 世纪 80 年代由 Hewlett Packard 开发，2005 年开源，自 2006 年起由谷歌赞助开发。该工具在受控条件下也能很好地运行，但是如果存在大量噪声或者图像输入 Tesseract 前未经恰当处理，则性能较差。

Tesseract OCR 引擎于 20 世纪 80 年代出现，更新迭代至今，它已经包括内置的深度学习模型，变成了十分稳健的 OCR 工具。而 Tesseract 和 OpenCV 的 EAST 检测器是一个很棒的组合，感兴趣的读者可参考机器之心报道。

Tesseract 支持 Unicode（UTF-8）字符集，可以识别超过 100 种语言，还包含多种输出支持，比如纯文本、PDF、TSV 等。但是为了得到更好的 OCR 结果，还必须提升提供给 Tesseract 的图像的质量。

值得注意的是，在执行实际的 OCR 之前，Tesseract 会在内部执行多种不同的图像处理操作（使用 Leptonica 库）。通常情况下表现不错，但在一些特定的情况下的效果却不够好，导致准确度显著下降。在将图像传递给 Tesseract 之前，可以尝试以下图像处理技术，但具体使用哪些技术取决于使用者想要读取的图像：

1. 反转图像
2. 重新缩放
3. 二值化
4. 移除噪声
5. 旋转/调整倾斜角度
6. 移除边缘

所有这些操作都可以使用 OpenCV 或通过 Python 使用 numpy 实现。

Tesseract (v4) 最新版本支持基于深度学习的 OCR，准确率显著提高。底层的 OCR 引擎使用的是一种循环神经网络（RNN）——LSTM 网络。

中文 OCR 项目

中文 OCR，像身份证识别、火车票识别都是常规操作，它也可以实现更炫酷的功能，例如翻译笔在书本上滑动一行，自动获取完整的图像，并识别与翻译中文。

目前比较常用的中文 OCR 开源项目是 chineseocr，它基于 YOLO V3 与 CRNN 实现中文自然场景文字检测及识别，目前该项目已经有 2.5K 的 Star 量。

而机器之心之前介绍过另一个开源的中文 OCR 项目，基于 chineseocr 做出改进，是一个超轻量级的中文字符识别项目。详情可参考：实测超轻量中文OCR开源项目，总模型仅17M

项目地址：https://github.com/ouyanghuiyu/chineseocr_lite

该项目表示，相比 chineseocr，chineseocr_lite 采用了轻量级的主干网络 PSENet，轻量级的 CRNN 模型和行文本方向分类网络 AngleNet。尽管要实现多种能力，但 chineseocr_lite 总体模型只有 17M。目前 chineseocr_lite 支持任意方向文字检测，在识别时会自动判断文本方向。如下图所示机器之心实测效果示例：

机器之心联合 AWS 开设线上公开课，通过 6 次直播课程帮助大家熟悉 Amazon SageMaker 各项组件的使用方法，轻松玩转机器学习。

6 月 2 日 20:00，AWS解决方案架构师尹振宇将带来第 3 课，详解如何利用SageMaker Operator简化Kubernetes 上的机器学习任务管理。

点击阅读原文或识别二维码，立即预约直播。