LIBRARY

8个最强大的OCR工具与服务

我探索了各种 OCR 工具和服务，并根据它们的特点（例如价格、准确性和实施工作量）将它们分为三个不同的类别：生成式AI、视觉AI和开源库。

admin

Feb 7, 2025 • 8 min read

在快节奏的 IT 世界中，光学字符识别 (OCR) 已成为从图像中提取文本的不可或缺的工具。但是，当这些图像质量低下、模糊或不完美时会发生什么？这正是我在当前工作中面临的挑战，它促使我深入研究 OCR 工具和服务的世界以寻找解决方案。

我探索了各种 OCR 工具和服务，并根据它们的特点（例如价格、准确性和实施工作量）将它们分为三个不同的类别：

生成式AI：在这里，我研究了 Gemini 和 OpenAI 等尖端解决方案，它们利用生成模型的强大功能来解决复杂的 OCR 任务。
视觉 AI：此类别专注于专门的计算机视觉服务，旨在精确处理基于图像的挑战并从图像中提取特征。
开源库：对于那些希望构建内部解决方案的人，我评估了可用的最佳开源工具，平衡了灵活性和控制力。

在整个研究过程中，我针对一组低质量图像测试了这些工具，以评估它们在实际场景中的表现。我强烈建议你创建图像数据集，以确保它最能满足你的特定需求和目标。

如果你对详细信息感到好奇，可以在此处找到用于本研究的完整代码。我用来测试解决方案的图像可在此处获得，基准测试代码可在此处访问。

1、OpenAI - 生成式AI

在我探索 OCR 工具的过程中，一种有趣的方法是利用 ChatGPT 和定制提示从图像中提取文本。

from openai import OpenAI # pip install openai
from base64 import b64encode


# Generate APIKey https://platform.openai.com/api-keys
OPENAI_API_KEY = "" 

image_path = "image.jpg"

with open(image_path, "rb") as image_file:
   base64_image = b64encode(image_file.read()).decode("utf-8")


client = OpenAI(api_key=OPENAI_API_KEY)

response = client.chat.completions.create(
    model="gpt-4o-mini",
    messages=[
        {
            "role": "user",
            "content": [
                {
                    "type": "text",
                    "text": "OCR this image. Do not include any markdown or code formatting.",
                },
                {
                    "type": "image_url",
                    "image_url": {
                        "url": f"data:image/jpeg;base64,{base64_image}"
                    },
                },
            ],
        }
    ],
)

print(response.choices[0].message.content)

许多 OpenAI 模型现在都具有视觉功能，允许它们将图像作为输入进行处理并回答有关它们的问题。

2、Gemini - 生成式AI

Gemini 的多模态功能使其能够处理视觉数据以及上下文提示，使其对于具有挑战性的 OCR 任务特别有效。

from PIL import Image # pip install Pillow
import google.generativeai as genai # pip install google.generativeai

# Generate APIkey - https://aistudio.google.com/apikey
GEMINI_API_KEY = "" 

image_path = "image.jpg" # Put here your image path
model_name="gemini-1.5-flash"

genai.configure(api_key=GEMINI_API_KEY)

image_file = Image.open(image_path)
model = genai.GenerativeModel(model_name=model_name)

prompt = "OCR this image. Do not include any markdown or code formatting."

response = model.generate_content([prompt, image_file])

print(response.text)

通过制作有针对性的提示，例如指定语言、布局，甚至是内容的预期结构。

3、Google Cloud - Vision AI

Google Cloud Vision AI 是一款强大的 OCR 任务工具，尤其是在处理低质量图像时。其文本检测功能旨在应对各种挑战，从倾斜角度到不同的光照条件。

import os
from google.cloud import vision # pip install google-cloud-vision


# Put here your credentials json file
# https://developers.google.com/workspace/guides/create-credentials?hl=en
os.environ["GOOGLE_APPLICATION_CREDENTIALS"] = ""

client = vision.ImageAnnotatorClient()

with open("image.jpg", "rb") as image_file:
    content = image_file.read()
    image = vision.Image(content=content)

response = client.text_detection(image=image)

for annotation in response.text_annotations:
    print("Detected Text:", annotation.description)

凭借其先进的机器学习模型，Vision AI 可以准确地从照片、扫描文档甚至杂乱的产品包装中识别和提取文本。

4、Azure - Vision AI

Azure Vision AI 是一款功能强大的工具，可用于从图像中提取文本，提供强大的 OCR 功能，可处理各种场景。

# pip install azure-ai-vision-imageanalysis
from azure.ai.vision.imageanalysis import ImageAnalysisClient
from azure.ai.vision.imageanalysis.models import VisualFeatures
from azure.core.credentials import AzureKeyCredential


# Generate APIkey - https://azure.microsoft.com/en-us/products/ai-services/ai-vision
AZURE_VISION_API_KEY = ""

image_path = "image.jpg"

with open(image_path, "rb") as f:
    image_data = f.read()

# You need to create an Azure Computer Vision AI services 
# https://portal.azure.com/
region = "eastus"
endpoint = "https://<instance name>.cognitiveservices.azure.com/"

client = ImageAnalysisClient(
    endpoint=endpoint,
    credential=AzureKeyCredential(AZURE_VISION_API_KEY),
    region=region,
)

response = client.analyze(
    image_data,
    visual_features=[VisualFeatures.READ],
)

if response.read is not None:
    for line in response.read.blocks[0].lines:
        print("Detected Text:", line.text)

其先进的算法可以处理不同质量水平的图像，从清晰、光线充足的照片到低质量、嘈杂的输入。

5、Tesseract - 开源库

Tesseract 是一个强大且多功能的选项，它是免费的开源库，可供个人和商业使用。获得更好结果的关键是预处理，例如二值化（转换为黑白）、降噪和对比度调整可以显著改善 OCR 结果。

import pytesseract # pip install pytesseract
import cv2 # pip install opencv-contrib-python


image = cv2.imread('image.jpg')
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

# Apply dinarization converting the image to black-and-white.
_, binary = cv2.threshold(gray, 150, 255, cv2.THRESH_BINARY)

# Tesseract allows you to specify the language of the text and configure settings 
# like page segmentation mode (PSM). For low-quality images, 
# using --psm 6 (assume a single uniform block of text) 
# or --psm 11 (sparse text) can yield better results.
config = "-l por --oem 1 --psm 11"
text = pytesseract.image_to_string(image, config=config)
print(text)

虽然 Tesseract 功能强大，但并不完美。它可能难以处理高度扭曲的文本或复杂的布局。在这种情况下，将 Tesseract 与其他预处理技术甚至自定义训练相结合可以帮助弥补差距。

6、EasyOCR - 开源库

在从低质量图像中提取文本方面，EasyOCR 是一款功能强大、既易于访问又有效的开源工具。EasyOCR 基于 PyTorch 构建，支持 80 多种语言，旨在处理具有挑战性的现实场景，包括模糊、倾斜或嘈杂的图像。

import easyocr # !pip install easyocr


reader = easyocr.Reader(['pt'])
results = reader.readtext('image.jpg')

for (bbox, text, confidence) in results:
    print(f"Detected text: {text} (Confidence: {confidence:.2f})")

EasyOCR 带有预先训练的模型，可立即使用，非常适合快速部署且准确度高。

7、Surya - 开源库

得益于其先进的预处理技术，Surya OCR 在处理嘈杂、扭曲或低分辨率图像方面表现出色。

from PIL import Image # pip install Pillow

# pip install surya-ocr
from surya.recognition import RecognitionPredictor
from surya.detection import DetectionPredictor


image_path = "image.jpg"

image = Image.open(image_path)

langs = ["pt"]
recognition_predictor = RecognitionPredictor()
detection_predictor = DetectionPredictor()

predictions = recognition_predictor([image], [langs], detection_predictor)
for prediction in predictions:
  for line in prediction.text_lines:
      print(line.text)

它支持多种语言和脚本，使其适用于各种用例。Surya 利用先进的机器学习模型准确识别和提取文本，即使在次优条件下也是如此。

8、DocTR - 开源库

在从低质量图像中提取文本方面，DocTR（文档文本识别）脱颖而出，成为强大的开源解决方案。DocTR 建立在 TensorFlow 和 PyTorch 等深度学习框架之上，在文档理解任务中提供最先进的性能。它配备了预训练模型，能够识别多种语言和不同图像条件下的文本。

from doctr.io import DocumentFile # !pip install "python-doctr[torch]"
from doctr.models import ocr_predictor


images_path = "image.jpg"
doc = DocumentFile.from_images(images_path)

model = ocr_predictor(det_arch="db_resnet50", reco_arch="crnn_vgg16_bn", pretrained=True)

result = model(doc)

for page in result.pages:
  for block in page.blocks:
      for line in block.lines:
          texts = [word.value for word in line.words]
          print(texts)

DocTR 的独特之处在于其两步流程：

文本检测：它首先识别图像中的文本区域，即使在复杂的布局中也是如此。
文本识别：然后利用在不同数据集上训练的深度学习模型，解读这些区域内的文本。

这种双重方法确保了强大的性能，特别是对于低质量图像，传统的传统的 OCR 工具经常会遇到困难。

8、结束语

我使用各种 OCR 工具和服务的经历既有启发性又很实用，让我深入了解了不同方法的优势和局限性。

我的数据集包括产品包装的照片，具有多个文本方向、不同的字体和颜色，这带来了挑战。

Google Cloud 和 Azure 的 Vision AI 服务在从低质量图像中提取文本方面表现出色。这些是解决这个问题的最佳工具。

Gemini 在处理复杂的 OCR 任务方面表现出色。这些工具与精心制作的提示搭配使用时特别有效。

在开源方面，DocTR 提供了最好的结果，对于那些愿意投入时间的人来说，这类工具可能是一种经济高效且用途广泛的替代方案。

这些结果基于我的数据集；但是，不同的数据集可能会产生不同的结果，尤其是在开源工具方面。

对于那些有兴趣进一步探索的人，完整的代码、一些测试图像和基准测试细节可以在这个 GitHub 存储库中查看。

原文链接：OCR Tools — My Latest Study: Solving Real-World Problems with Low-Quality Images

汇智网翻译整理，转载请标明出处