数据采集就怕遇到图片，只能看不能复制怎么办。手动将文字提取出来，要耗费很大的工作量。例如下图，某楼盘的一房一价表，怎么样发现单价低位的房子？光凭肉眼很难发现吧，能否让计算机进行文字的识别，然后再对这些数值型信息进行数据分析。

首先把图片中的单价提取出来，

进而生成图像：

用python就可以实现，采用现在流行的OCR图像识别。主要思路是使用机器学习模式，通过已有图片手动训练出一个图像识别模型，具体步骤如下：

一、将图片预处理，更方便计算机识别

（一）把图像灰化

使用open-cv库对图片进行处理。

使用灰化后的图片，如下图，排除干扰信息，能让识别更加稳定。

（二）把图片分割

将图片分割成小方块，一是提高识别精度，二是方便将数据储存为表格形式。可以设定好参数，根据坐标系把图片裁剪成一个个小方块，如下图，储存为jpg格式。

二、建立图像识别模型

（一）将分割好的小方块图片合并成tiff文件

下载 jTessBoxEditor ，打开 jTessBoxEditor.jar ，使用 tools 下的 merge tiff 工具，将图片合并成 tiff 文件。

（二）使用已有模型对 tiff 文件进行初识别

下载并安装 tesseract ，并配置好环境变量，将 Tesseract-OCR 和 tessdata 的路径加入到环境变量下的path下面。Tesseract自带图像识别的模型，例如中文简体汉字识别模型 chi_sim.traineddata ，英文识别模型 eng.traineddata ，这些模型可以网上下载，放到 tessdata 里面即可使用。

然后进入tiff所在文件夹。在命令窗口，输入： tesseract ***.tif *** -l +++ -psm 7 batch.nochop makebox ，按回车生成 box 文件。其中 *** 为 tif 的文件名， +++ 为要生成的 traindata 的文件名。

（三）使用 jTessBoxEditor 对 tiff 和 box 文件进行调整

打开 jTessBoxEditor.jar ，在 box editor 中的open按钮，打开要编辑的tif文件。编辑之后保存，生成box文件。保存在同一个文件夹里。

（四）使用tiff和box文件生成模型

在tiff和box的文件中，在命令窗口输入以下代码，最终生成模型（traindata文件）

上述脚本也可以写在bat文件中，运行脚本来生成traindata，最终仅需要将traindata复制到tessdata里面，即可使用该模型。

三、应用图像识别模型

安装完，训练完模型之后，就要在python中使用模型了。安装pytesseract，找到 pytesseract.py 文件，打开编辑，将其中的 “tesseract_cmd = 'tesseract'” ，改成 tesseract 的安装路径（如 C:\Program Files\Tesseract-OCR\\tesseract ）。

因为模型是采用灰化后的图片训练的，所以在识别时也要使用灰化。

四、优化图像识别模型

在使用中，如果有错误，可以存下来，加入训练库，优化图像识别模型。在一般是识别错误的图片，积攒一阵子后。累积做成tif文件。注意：同类错误选择几个记号了，训练库尽量小而精。

作者：杨炳，心理学者在银行写代码。

赞 赏 作 者

用 Python 从零开始实现简单遗传算法

5分钟掌握 Python 随机爬山算法

5分钟完全读懂关联规则挖掘算法

点击下方阅读原文加入 社区会员

数据采集就怕遇到图片，只能看不能复制怎么办。手动将文字提取出来，要耗费很大的工作量。例如下图，某楼盘的一房一价表，怎么样发现单价低位的房子？光凭肉眼很难发现吧，能否让计算机进行文字的识别，... 文章目录 Python 基础之 图像识别 1. 获取屏幕截图2. 识别图像3. 自动点赞程序 1. 获取屏幕截图 我们控制鼠标的操作，不能盲目的 进行 ，所以我们需要监控屏幕上的内容，从而决定要不要 进行 对应的操作， pyautogui 提供了一个方法screenshot()，可以返回一个Pillow的image对象； 这里有三个常用函数： im = pyautogui.screenshot()：返回屏幕的截图，是一个Pillow的image对象 im.getpixel((500, 500)) 图像分类，即通过图像内容的不同将图像划分为不同的类别， 该技术二十世纪九十年代末提出，并命名为基于图像内容的图像分类(Content- Based ImageClassific- ation, CEIC)算法概念， 基于内容的图像分类技术不需要对图像的语义信息 进行 人工标注， 而是通过计算机提取图像中所包含的特征，并对特征 进行 处理和分析，得出分类结果。 常用的图像特征有图像颜色、纹理、灰度等信息。而图像分类过程中， 提取的特征要求不.