读取图像中格式规范的文字

图像中的文字最好是比较干净，且格式规范的。通常，格式规范的文字具有以下几个特点：

（1）使用一个标准的字体，不包含手写字体、草书，或者十分花哨的字体。

（2）经过复印或拍照，字体仍然很清晰，没有多余的痕迹或污点。

（3）排列整齐，没有歪歪斜斜的文字。

（4）文字没有超出图片的范围，没有残缺不全，或者紧紧地贴在图片的边缘。

图1展示了一张文字十分符合格式规范的图像，具体如下。

图1 符合文字规范的图像

对于图像中那些格式非常符合规范的文本而言，通过pytesseract识别且处理以后，读取到的文字跟图像中的文字基本完全一致，可识别的精准度是很高的，基本上可以达到90%以上。

以图1进行举例，使用pytesseract将图像中识别到的文本提取出来，具体代码如下。

# 导入模块
import pytesseract
from PIL import Image
# 将图像文件转换成Image实例
image = Image.open('test.jpg')
# 将图像中的文本转换成文本，进行输出
text = pytesseract.image_to_string(image)
print(text)

上述示例运行的结果如下：

This is some text, written in Arial, that will be read by
Tesseract. Here are some symbols: !@#$%"&*()

从示例结果可以看出，识别到的文本是很准确的，只有个别字符识别错误（如“^”识别成了双引号），整体上可以让人很舒服地阅读。