tesseract를 통해 이미지를 식별하고 bbox를 사용하여 주요정보를 가리는 것을 연습합니다.

필요한 라이브러리

from PIL import Image
import pytesseract
import cv2
from google.colab.patches import cv2_imshow
# 코랩에서 cv2.imshow 지원하지 않음

pytesseract 연습

한글깨짐 방지

!sudo apt install tesseract-ocr-kor

!sudo apt install tesseract-ocr-script-hang

# 방법1
data = pytesseract.pytesseract.image_to_string(img, lang="Hangul")
print(data)

주민등록증
홍 길 동 ( 빠 솜 0)

800101-2345678

서 울 특별시 가 산 디 지 털 1 로
( 대 륭 데 크 노 타운 18 차 )

 

2020.08.16.
서 올 특별시 금 천 구 청 장 |

# 방법2
config = r'--oem 3 --psm 6 outputbase digits' # 숫자인식 옵션
data = pytesseract.pytesseract.image_to_string(img, lang="kor+eng", config = config)   

print(data)

주민등록증
홍길동(래좀0)
800101-2345678
서울특별시 가산디지털1로
(ASHLEE 18%)         fe.
2020.08.16.   Aa
서울특별시 로!

# image_to_boxes
# 식별된 text와 좌표정보가 같이 출력됨
data = pytesseract.pytesseract.image_to_boxes(img, lang="kor+eng", config = config)   
print(data)

주 42 145 58 161 0
민 63 145 78 161 0
등 84 145 100 161 0
록 104 145 120 161 0
증 130 145 141 160 0
홍 29 118 43 132 0
길 45 118 58 132 0
동 61 118 73 131 0

# image_to_data
# 식별된 text와 좌표정보가 같이 출력됨
data = pytesseract.pytesseract.image_to_data(img, lang="kor+eng", config = config)   
print(data)
# head와 함께 다양한정보를 담음
# 좌표값과 confidence level등을 담고 있어 활용도가 높음.
# 추후 text detection에서 해당 방법을 사용함.

level	page_num	block_num	par_num	line_num	word_num	left	top	width	height	conf	text
5	1	1	1	1	1	42	18	99	16	74	주민등록증
4	1	1	1	2	0	29	47	108	14	-1	
5	1	1	1	2	1	29	47	14	14	85	홍
5	1	1	1	2	2	45	47	13	14	91	길
5	1	1	1	2	3	61	48	13	13	93	동
5	1	1	1	3	1	28	71	109	10	88	800101-2345678

Bounding Box

by image_to_boxes

img = cv2.imread('/content/drive/MyDrive/project_03/data/id.jpg')
# img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)  

# print(img.shape)
hImg,wImg,_ = img.shape  # 차원 주의
config = r'--oem 3 --psm 6 outputbase digits' 

########################### image_to_boxes ################################
boxes = pytesseract.pytesseract.image_to_boxes(img, lang='kor+eng', config=config)  
# print(boxes)

for b in boxes.splitlines(): # 한 줄 씩 split
    # print(b)
    b = b.split(' ')  # 나눠서 list에 담아줌
    # print(b)
    x,y,w,h = int(b[1]),int(b[2]),int(b[3]),int(b[4])
    cv2.rectangle(img, (x,hImg-y),(w,hImg-h),(0,255,0), 2)  # 좌하단, 우상단
cv2_imshow(img)

image

by image_to_data

img = cv2.imread('/content/drive/MyDrive/project_03/data/id.jpg')
# img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)  

############################## image_to_data ##########################################
boxes = pytesseract.pytesseract.image_to_string(img, lang='kor+eng')  # 모든 text 
boxes_num = pytesseract.pytesseract.image_to_data(img, lang='kor+eng', config=config)  # 숫자만
# print(boxes)  # str
# print(boxes_num)  # data


for idx, b in enumerate(boxes_num.splitlines()): # 한 줄 씩 split
    '''
    숫자를 가리는 알고리즘 
    '''
    # print(b)
    if idx != 0:  # head를 제외하고 split
        b = b.split()
        # print(b)
        if len(b) ==12:  # 객체가 있는것만 뽑아서
            if len(b[11]) > 13:  # 보통 주민등록번호는 len 13 길다 : 추출한 객체가 11개 이상의 len이면
            # if float(b[10]) > 88 :  # confidence level 높은것, 즉 숫자로 인식한거 중 진짜 숫자인 것만 가리기
                x,y,w,h = int(b[6]),int(b[7]),int(b[8]),int(b[9])
                cv2.rectangle(img, (x,y),(x+w,y+h),(255,0,0), -1)   # 좌상단, 우하단

cv2_imshow(img)

image