摘要：實(shí)戰(zhàn)用從圖像中讀取文字即光學(xué)字符辨識(shí)是把打印文本轉(zhuǎn)換成一個(gè)數(shù)字表示的過(guò)程。可以用谷歌電話庫(kù)來(lái)確定一個(gè)數(shù)字串是否是合法電話號(hào)碼。現(xiàn)在我們可以如下使用我們需要給谷歌電話庫(kù)提供一個(gè)提示來(lái)說(shuō)明這個(gè)號(hào)碼是哪個(gè)國(guó)家的。

Optical Character Recognition (OCR)即光學(xué)字符辨識(shí)是把打印文本轉(zhuǎn)換成一個(gè)數(shù)字表示的過(guò)程。它有各種各樣的實(shí)際應(yīng)用--從數(shù)字化印刷書(shū)籍、創(chuàng)建收據(jù)的電子記錄，到車牌識(shí)別甚至破解基于圖像的驗(yàn)證碼。

Tesseract是一個(gè)能實(shí)現(xiàn)OCR開(kāi)源項(xiàng)目。你能在*Nix系統(tǒng)，Mac系統(tǒng)和Windows系統(tǒng)上跑這個(gè)項(xiàng)目，但是使用一個(gè)庫(kù)的話，我們就能在php項(xiàng)目中使用它了。本教程的目的是教你如何使用。

為了讓事情變得簡(jiǎn)單和一致的, 我們將使用虛擬機(jī)（本文使用Vagrant）來(lái)運(yùn)行應(yīng)用程序，這會(huì)涉及到安裝PHP和Nginx，我們將安裝Tesseract來(lái)分別演示過(guò)程。如果你想自己基于現(xiàn)有Debian-based系統(tǒng)安裝Tesseract,你可以跳過(guò)下一部分—或者查看the README來(lái)獲得在其他*nix上，Mac系統(tǒng)或者Windows的安裝指導(dǎo).

為了配置Vagrant以跟上本教程，完成如下步驟。或者你也可以簡(jiǎn)單的從Github獲得代碼。

輸入以下命令來(lái)下載Homestead Improved Vagrant配置到一個(gè)文件夾 ocr:

git clone https://github.com/Swader/homestead_improved ocr

把Nginx配置文件Homestead.yml由

 sites:
    map: homestead.app
    to: /home/vagrant/Code/Project/public

修改成：

 sites:
    map: homestead.app
    to: /home/vagrant/Code/public

同樣要在hosts文件中添加

192.168.10.10       homestead.app

下一步是安裝Tesseract

因?yàn)镠omestead Improved 使用debian,我們可以在使用vagrant ssh登陸虛擬機(jī)后使用apt-get 來(lái)安裝它，簡(jiǎn)單如下：

sudo apt-get install tesseract-ocr

正如上文提到的，此處有其他的操作系統(tǒng)對(duì)應(yīng)教程。

我們將使用PHP包裝，但是之前我們可以在命令行測(cè)試Tesseract。
首先保存這個(gè)圖片sign.png (圖片由剪紙藝術(shù)熊貓?zhí)峁?

在虛擬機(jī)中，執(zhí)行如下命令來(lái)從圖片中讀取文字

tesseract sign.png out

這將在當(dāng)前文件夾創(chuàng)建一個(gè)文件:out.txt里面應(yīng)該有單詞：CAUTION
現(xiàn)在嘗試sign2.jpg，連接如下：
https://s3.amazonaws.com/f.cl...

tesseract sign2.jpg out

這次產(chǎn)生單詞Einbahnstral’ie。很接近但不正確—雖然圖像中的文字相當(dāng)清晰，它沒(méi)能識(shí)別?。
為了獲使Tesseract正常讀取字符串,我們需要安裝一些新的語(yǔ)言文件—就本例來(lái)說(shuō)，德語(yǔ)。
這里有一個(gè)全面的可用語(yǔ)言文件列表,但我們直接下載所需的文件：

wget https://tesseract-ocr.googlecode.com/files/tesseract-ocr-3.02.deu.tar.gz

解壓：

tar zxvf tesseract-ocr-3.02.deu.tar.gz

然后把文件復(fù)制到如下目錄：

/usr/share/tesseract-ocr/tessdata

舉例

cp deu-frak.traineddata /usr/share/tesseract-ocr/tessdata
cp deu.traineddata /usr/share/tesseract-ocr/tessdata

現(xiàn)在我們?cè)俅螆?zhí)行原來(lái)的命令但是要用 –l

tesseract sign2.jpg out -l deu

“deu” 是德語(yǔ)的 ISO 639-3碼.
這次，文字應(yīng)該是Einbahnstra?e（正確的）。
可以通過(guò)重復(fù)上述過(guò)程來(lái)使用任意語(yǔ)言。

我們將使用這個(gè)庫(kù)來(lái)用PHP使用Tesseract。
我們將建立一個(gè)極簡(jiǎn)的web應(yīng)用：用戶上傳圖片，并查看OCR處理結(jié)果。我們將使用Silex microframework 來(lái)實(shí)現(xiàn)。不要擔(dān)心你不熟悉它，這個(gè)應(yīng)用本身很簡(jiǎn)單。
記住這篇教程的所有代碼都能在Github上獲得。
第一步是用Composer來(lái)安裝依賴文件：

composer require silex/silex twig/twig thiagoalessio/tesseract_ocr:dev-master

然后建立三個(gè)文件夾：

- public
- uploads
- views

我們需要上傳表單(viewsindex.twig):

需要一個(gè)結(jié)果展示頁(yè)面(viewsresults.twig):：

  
    
  
  
    
Results
    {{ text }}
    

    ← Go back
  

現(xiàn)在建立skeleton Silex app (publicindex.php):

register(new SilexProviderTwigServiceProvider(), [
  "twig.path" => __DIR__."/../views",
]);
$app["debug"] = true; 
$app->get("/", function() use ($app) { 
  return $app["twig"]->render("index.twig");
}); 
$app->post("/", function(Request $request) use ($app) { 
    // TODO
}); 
$app->run();

如果你在瀏覽器訪問(wèn)這個(gè)應(yīng)用，你應(yīng)該能看到一個(gè)文件上傳表單。如果你在使用
Homestead Improved Vagrant，你可以通過(guò)如下鏈接訪問(wèn)該應(yīng)用。

http://homestead.app/

下一步是實(shí)現(xiàn)文件上傳。Silex使得這項(xiàng)工作非常簡(jiǎn)單；
$request包含一個(gè)files組件，我們可以通過(guò)它來(lái)獲得任意上傳的文件，代碼：

// Grab the uploaded file
$file = $request->files->get("upload"); 
// Extract some information about the uploaded file
$info = new SplFileInfo($file->getClientOriginalName());
// Create a quasi-random filename
$filename = sprintf("%d.%s", time(), $info->getExtension());
// Copy the file
$file->move(__DIR__."/../uploads", $filename); 

如你所見(jiàn)，我們產(chǎn)生隨機(jī)文件名來(lái)減少文件名沖突—但在本應(yīng)用中，我們?cè)趺疵募遣恢匾摹?br>一旦我們?cè)诒镜赜幸环菸募截悾覀兙涂梢援a(chǎn)生一個(gè)Tessearct庫(kù)的實(shí)例，然后進(jìn)行分析：

// Instantiate the Tessearct library
$tesseract = new TesseractOCR(__DIR__ . "/../uploads/" . $filename);

在圖像上實(shí)現(xiàn)OCR相當(dāng)簡(jiǎn)單，我們只需調(diào)用方法recognize()。

// Perform OCR on the uploaded image
$text = $tesseract->recognize();

最后我們把結(jié)果展示到結(jié)果頁(yè)面：

return $app["twig"]->render(
    "results.twig",
    [
        "text"  =>  $text,
    ]
);

在一些圖片上嘗試，看看它效果怎樣。如果你有困難，可以參考

讓我們來(lái)看OCR一個(gè)更實(shí)用的例子。在本例中，我們嘗試在圖像中找到一個(gè)格式化的電話號(hào)碼。
看看下面一幅圖，上傳到你的應(yīng)用：

結(jié)果應(yīng)該如下:

:ii‘i
Customer Service Helplines

British Airways Helpline
09040 490 541

它沒(méi)有挑出正文文本，這是我們能料到的，因?yàn)閳D片質(zhì)量太差。雖然識(shí)別了號(hào)碼但是也有一些“噪聲”。
為了提取相關(guān)信息，有如下幾件事我們可以做。
你可以讓Tesseract 把它的結(jié)果限制在一定的字符集內(nèi)，所以我們告訴它只返回?cái)?shù)字型的內(nèi)容代碼如下：

$tesseract->setWhitelist(range(0,9));

但這樣有個(gè)問(wèn)題。它常常把非數(shù)字字符解釋成數(shù)字而非忽略它們。比如“Bob”可能被解釋稱數(shù)字“808”。
所以我們采用兩步處理。

嘗試提取可能是電話號(hào)碼的數(shù)字串。

用一個(gè)庫(kù)輪流評(píng)估每一個(gè)候選字符，一旦找到一個(gè)有效電話號(hào)碼則停止。

第一步，我們可以用一個(gè)基本的正則表達(dá)式。可以用谷歌電話庫(kù)來(lái)確定一個(gè)數(shù)字串是否是合法電話號(hào)碼。
備注：我已在Sitepoint 寫(xiě)過(guò)關(guān)于谷歌電話庫(kù)的內(nèi)容：文章
讓我們給谷歌電話庫(kù)添加一個(gè)PHP 端口，修改composer.json，添加：

"giggsey/libphonenumber-for-php": "~7.0"

別忘了升級(jí)：

composer update

現(xiàn)在我們可以寫(xiě)一個(gè)函數(shù)，輸入為一個(gè)字符串，嘗試提取一個(gè)合法的電話號(hào)碼

function findPhoneNumber($text, $country_code = "GB") {
      // Get an instance of Google"s libphonenumber
      $phoneUtil = libphonenumberPhoneNumberUtil::getInstance();
      // Use a simple regular expression to try and find candidate phone numbers
      preg_match_all("/(+d+)?s*((d+))?([s-]?d+)+/", $text, $matches);
      // Iterate through the matches
      foreach ($matches as $match) {
        foreach ($match as $value) {
          try {
            // Attempt to parse the number
            $number = $phoneUtil->parse(trim($value), $country_code);    
            // Just because we parsed it successfully, doesn"t make it vald - so check it
            if ($phoneUtil->isValidNumber($number)) {
    
              // We"ve found a telephone number. Format using E.164, and exit
              return $phoneUtil->format($number, libphonenumberPhoneNumberFormat::E164);
            }
          } catch (libphonenumberNumberParseException $e) {
            // Ignore silently; getting here simply means we found something that isn"t a phone number
          }
        }
      }
      return null;
    }

希望注釋能解釋這個(gè)函數(shù)在干什么。注意如果這個(gè)庫(kù)沒(méi)能從字符串中解析出一個(gè)合法的電話號(hào)碼它會(huì)拋出一個(gè)異常。這不是什么問(wèn)題；我們直接忽略它并繼續(xù)下一個(gè)候選字符。
如果我們找到一個(gè)電話號(hào)碼，我們以E.164的形式返回它。這提供了一個(gè)國(guó)際化的號(hào)碼，我們可以用來(lái)打電話或者發(fā)送SMS。
現(xiàn)在我們可以如下使用：

text = $tesseract->recognize();
$number = findPhoneNumber($text, "GB");

我們需要給谷歌電話庫(kù)提供一個(gè)提示來(lái)說(shuō)明這個(gè)號(hào)碼是哪個(gè)國(guó)家的。你也可以改成你自己的國(guó)家。
我們把所有的這些打包在一個(gè)新的路由中：

$app->post("/identify-telephone-number", function(Request $request) use ($app) { 
  // Grab the uploaded file
  $file = $request->files->get("upload"); 
  // Extract some information about the uploaded file
  $info = new SplFileInfo($file->getClientOriginalName());
  // Create a quasi-random filename
  $filename = sprintf("%d.%s", time(), $info->getExtension());
  // Copy the file
  $file->move(__DIR__."/../uploads", $filename); 
  // Instantiate the Tessearct library
  $tesseract = new TesseractOCR(__DIR__ . "/../uploads/" . $filename);
  // Perform OCR on the uploaded image
  $text = $tesseract->recognize();
  $number = findPhoneNumber($text, "GB");
  return $app->json(
    [
      "number"     =>  $number,
    ]
  );
}); 

我們現(xiàn)在有簡(jiǎn)單的API的基礎(chǔ)—-也就是JSON響應(yīng)-—我們可以用來(lái)作為一個(gè)簡(jiǎn)單的移動(dòng)應(yīng)用的后端，這款應(yīng)用可以用來(lái)從一幅圖中添加聯(lián)系人，打電話。

OCR有許多應(yīng)用—并且很容易整合進(jìn)你的應(yīng)用（超過(guò)你的預(yù)期）。本文中，我們安裝了開(kāi)源OCR包；并使用一個(gè)包裝器庫(kù)，把它整合進(jìn)一個(gè)非常簡(jiǎn)單的PHP應(yīng)用。我們只是觸及到了所有可能性的表面，希望這能給你一些想法，幫你想想怎么在你自己的應(yīng)用中使用OCR。

標(biāo)記：captcha, ocr, OOPHP, PHP, robot vision, silex, tesseract, twig