python-3.x - 从图像中自动检测语言以提取 OCR 字符

Question

我正在使用上传图像的 python 构建一个软件。该软件将使用 tesseract ocr 提取文本。

但我希望我的软件能够自动检测图像中的语言并提取检测到的文本。

请给我一些建议，我也准备好进行机器学习，但我无法确定该过程的完美管道。

提前致谢。

Answer 1

过程复杂，你需要做的是

1. 从 lang=eng 格式的图像中提取文本
2. 将该文本传递给 langdetect 它是 google 自动语言检测库
3. 再次在 tesseract 中使用该语言准确提取文本

或者

您可以对每种语言使用 switch case，并将示例文本传递给 langdetect 以获得哪种语言正确的概率。

import pytesseract

pytesseract.pytesseract.tesseract_cmd = 
'<full_path_to_your_tesseract_executable>'
# Include the above line, if you don't have tesseract executable in your path

# Example tesseract_cmd: 'C:\\Program Files (x86)\\Tesseract-OCR\\tesseract'

print(pytesseract.image_to_string(Image.open('test.png')))
print(pytesseract.image_to_string(Image.open('test-european.jpg'), lang='eng'))

sample_text = pytesseract.image_to_string(Image.open('image.jpg'), lang='eng')

from langdetect import detect_langs detect_langs(sample_text)