使用PaddleOCR在Ubuntu上实现一键截屏OCR提取文本

★★★ 本文源自AlStudio社区精品项目，【点击此处】查看更多精品内容 >>>

一、项目简介

1.1 简要说明

• 最近在折腾Ubuntu，有一个截屏然后OCR提取文本的应用需求。
• 在Windws上这样的工具很好找，但是在Linux没有现成的软件可用，得自己解决。
• 网上流行的方案是使用tesseract，试了一下，效果并不好，中文能给识别出一堆乱码。
• 于是想到PaddleOCR有预训练模型可以用，于是尝试了一下。
• 这里把用到的两个脚本文件ocr.py和ocr.sh一起放到了这个项目中，fork本项目后可直接下载使用。

1.2 效果对比

• 先来看看tesseract的效果：
  • 
• 上图是在放大了4倍之后用tesseract设别的，可以看到明显的错误：
  • “[源代码]”给识别成了“(JAC 53)”,这就太离谱了
  • 出现了一个不想要的空行（第二行）
  • 出现了无法识别的内容（第四行）
• 同样的内容，再看看PaddleOCR的效果：
  • 
• 上图是在没有进行放大的情况下用PaddleOCR调默认模型识别的结果，除了把数字“0”识别成了字母“o”之外，没有其他错误，这个效果就好太多了。

二、环境准备

• 操作系统是Ubuntu22.04
• 需要使用几个软件包：
  • 截屏工具（必需）：sudo apt install gnome-screenshot
  • 图片放大工具（可以不用）:sudo apt install imagemagick
  • 剪切板工具(可以不用)：sudo apt install xclip
• PaddleOCR直接安装就好：pip install paddleocr

三、实现思路

• 流程设计
  • Step1 快捷键触发截屏，保存图片
  • Step2 调PaddleOCR识别图片中的文字，输出识别结果
  • Step3 展示识别结果
• 实施方案
  • Ubuntu可以自定义快捷键
  • 虽然可以用python脚本来完成所有操作，但是一方面代码量太大不便于实现，另一方面python的速度不会太快，所以考虑除了推理和结果处理部分使用python，其余操作都用shell脚本来完成
  • 于是需要一个python脚本，用来执行推理和结果处理
  • 还需要一个shell脚本，用来截屏、调python脚本、展示处理结果

四、创建python脚本文件

• 创建一个python脚本文件，名为 ocr.py 并填充以下内容

#!/usr/bin/env python3
# copy from https://aistudio.baidu.com/aistudio/projectdetail/5665249
from paddleocr import PaddleOCR, draw_ocr
import sys
import getopt
from PIL import Image# 执行ocr并写入txt文件
def exe_ocr(img_path,file_txt = "result.txt",img_result = "result.jpg"):# Paddleocr目前支持的多语言语种可以通过修改lang参数进行切换# 例如`ch`, `en`, `fr`, `german`, `korean`, `japan`ocr = PaddleOCR(use_angle_cls=False, lang="ch")  # need to run only once to download and load model into memoryresult = ocr.ocr(img_path, cls=False)res = result[0]    # 因为只有一张图片，所以结果只有1个，直接取出boxes = []    # 检测框坐标txt = ""    # 检测识别结果for line in res:#print(line[1][0])txt += line[1][0]+"\n"    # 取出文本boxes.append(line[0])    # 取出检测框with open(file_txt, 'w')as f:    # 以w方式打开，没有就创建，有就覆盖f.write(txt)image = Image.open(img_path).convert('RGB')    # 读取原图片im_show = draw_ocr(image, boxes)    # 画检测框im_show = Image.fromarray(im_show)    # 转换im_show.save(img_result)    # 保存# 主函数
def main(argv):img_path = ""    # 图片路径file_txt = "result.txt"    # 输出的文本文件路径img_result = "result.jpg"    # 检测结果图片路径# 解析参数# "hi:o:": 短格式分析串, h 后面没有冒号, 表示后面不带参数; i 和 o 后面带有冒号, 表示后面带参数# ["help", "input_file=", "output_file="]: 长格式分析串列表, help后面没有等号, 表示后面不带参数; input_file和output_file后面带冒号, 表示后面带参数# 返回值包括 `opts` 和 `args`, opts 是以元组为元素的列表, 每个元组的形式为: (选项, 附加参数)，如: ('-i', 'test.png');# args是个列表，其中的元素是那些不含'-'或'--'的参数opts, args = getopt.getopt(argv[1:], "hi:o:", ["help", "input_file=", "output_file="])for opt, arg in opts:if opt in ("-h", "--help"):print('python3 ocr.py -i  -o ')print('or: python3 ocr.py --input_file= --output_file=')sys.exit()elif opt in ("-i", "--input_file"):img_path = argelif opt in ("-o", "--output_file"):file_txt = argif img_path == "":#print("必须指定一个图片文件")sys.exit()img_result = file_txt[:file_txt.rindex('.')+1]+"jpg"#print('输入图片文件为：', img_path)#print('输出txt文件为: ', file_txt)#print('输出result文件为: ', img_result)exe_ocr(img_path,file_txt,img_result)if __name__ == '__main__':main(sys.argv)

五、创建shell脚本文件

• 创建一个shell脚本文件，名为 ocr.sh 并填充以下内容

#!/bin/env bash 
# copy from https://aistudio.baidu.com/aistudio/projectdetail/5665249# 定义一个文件基本路径，假设用户名是 pi，临时文件放在主目录下的ocrtemp下
SCR="/home/pi/ocrtemp/temp"# 获取一个截图
# 这里用到了gnome-screenshot，需要先安装好：sudo apt install gnome-screenshot
gnome-screenshot -a -f ${SCR}.png# 放大图片
# 如果觉得效果不好，可以尝试把图片放大
# 需要先安装一个软件包：sudo apt install imagemagick
# mogrify -modulate 100,0 -resize 400% ${SCR}.png # OCR by paddleocr
python3 ocr.py -i ${SCR}.png -o ${SCR}.txt# 打开文件
# 调用系统默认程序分别打开：原始图片、检测结果、识别出来的文本
xdg-open ${SCR}.png
xdg-open ${SCR}.jpg
xdg-open ${SCR}.txt# 把文本复制到剪切板
# 需要先安装软件包：sudo apt install xclip
# 由于ocr结果一般都会有各种问题，其实并不能直接使用
# cat ${SCR}.txt | xclip -selection clipboard# 退出
exit

六、准备目录

• 在主目录下创建临时文件夹：mkdir ocrtemp
• 把ocr.py和ocr.sh 两个文件放到主目录下

七、配置快捷键

• 在Ubuntu的系统设置里面，找到“键盘”，再找到“键盘快捷键”，然后点开“查看及自定义快捷键”
  • 
• 点开“自定义快捷键”
  • 
• 点加号新建一个快捷键
  • 
• 设置好名称和快捷键，命令指向ocr.sh
• 然后就可以使用自定义的快捷启动截屏并OCR提取文字了

总结

• 这个方案的优点是易于实现，而且代码量很小，只要照抄我的代码即可
• 由于使用的是python进行推理，速度略慢
• 第一次使用时，因为要先下载模型文件，速度会比较慢，之后就快多了
• 使用的预训练模型，效果只能说还可以，但比tesseract是强多了
• 这里为了快速使用，直接用的默认参数和模型，其实还有其他模型和参数可用，可以根据自己需要调整
• 如果有兴趣，还可以自己收集数据用PaddleOCR训练一个专属模型用用，效果会更好

请点击此处查看本环境基本用法.

Please click here for more detailed instructions.
此文章为搬运
原项目链接

本文来自互联网用户投稿，文章观点仅代表作者本人，不代表本站立场，不承担相关法律责任。如若转载，请注明出处。 如若内容造成侵权/违法违规/事实不符，请点击【内容举报】进行投诉反馈！