Разворачиваем простой OCR-сервер на Python

Тема компьютерного зрения достаточно обширна: в ней рассматриваются различные способы распознавания статичных изображений и видео. Однако многие из предлагаемых в интернете решений требуют повышенных вычислительных мощностей, сложного ПО и специального оборудования.

В этой статье мы не будем рассматривать что‑то сложное, а вместо этого разберём создание простого сервера для распознавания изображений на Python.

Выбор языка Python для работы с OCR не случаен. Этот язык поддерживает множество библиотек и фреймворков, некоторые из которых мы будем использовать для создания нашего сервера.

Начинаем установку

Для начала нам потребуется установить Tesseract, открытую компьютерную систему для распознавания текстов и Leptonica, библиотеку с открытым исходным кодом, написанную C, предназначенную для обработки и анализа изображений. С её помощью можно выполнять различные операции преобразования, масштабирования, перемещения, сдвига изображений. Также, с её помощью можно работать с различными форматами изображений (JPEG, PNG, TIFF, WebP, JP2, BMP, PNM, PS, GIF и PDF).

Итак, давайте установим все необходимые пакеты.

$ sudo apt-get update

$ sudo apt -y install leptonica-progs

$ sudo apt install tesseract-ocr

Также для работы Tesseract нам потребуется создать переменную среды:

$ export TESSDATA_PREFIX=/usr/local/share/

В завершение установки ставим языковые пакеты. Пакет для английского языка уже установлен. Установим пакет для русского:

$ sudo apt-get install tesseract-ocr-rus

Можно также установить пакеты для всех известных Tesseract языков (потребуется порядка 700 Мб), с помощью команды:

$ sudo apt-get install tesseract-ocr-all

Далее установим библиотеки, необходимые для работы непосредственно Python.

Для начала давайте убедимся, установлен ли Python3.

$ python3 --version

Скорее всего, он у вас уже установлен, но если вдруг чего‑то не хватает, то выполните команду:

$ sudo apt install python3 python3-pip –y

Далее мы будем использовать pip для установки пакетов:

$ pip install pipenv

Создадим каталог для своего проекта:

$ mkdir ocr_server && cd ocr_server && pipenv install --three

Активируем наше виртуальное окружение и устанавливаем необходимые зависимости.

$ pipenv shell

$ pipenv install pytesseract Pillow

Здесь мы также устанавливаем библиотеку Pillow, которая является форком библиотеки Python Imaging Library (PIL) для работы с изображениями в различных форматах на Python.

И в завершении мы установим Flask, который далее будет использоваться как веб-сервер, на который мы будем загружать изображения для распознавания.

$ pipenv install Flask

Собственно, все необходимые для работы компоненты мы установили. Теперь перейдём к написанию кода.

Пишем код

В простейшем случае нам достаточно просто вызвать функцию pytesseract.image_to_string(), которая попытается распознать текст на картинке.

try:     from PIL import Image except ImportError:     import Image import pytesseract  def ocr_core(filename):     text = pytesseract.image_to_string(Image.open(filename))       return text  print(ocr_core('example.png'))   

Мы не будем усложнять, и в качестве тестового файла ‘example.png’ используем следующее изображение:

В результате получаем следующее:

Далее давайте добавим функциональность для загрузки изображений на веб-сервер Flask и передадим их в функцию ocr_core, которую мы написали выше. В результате мы отобразим изображение рядом с извлеченным текстом в нашем веб‑приложении:

import os  from flask import Flask, render_template, request  # импортируем OCR функцию from ocr_core import ocr_core  # папка для хранения изображений  UPLOAD_FOLDER = '/static/uploads/'  # разрешаем только определенные типы файлов ALLOWED_EXTENSIONS = set(['png', 'jpg', 'jpeg'])  app = Flask(__name__)  # функция для проверки расширений def allowed_file(filename):     return '.' in filename and \            filename.rsplit('.', 1)[1].lower() in ALLOWED_EXTENSIONS  # функция route, в которой определяется домашняя страница  @app.route('/') def home_page():     return render_template('index.html')  # функция для загрузки файлов @app.route('/upload', methods=['GET', 'POST']) def upload_page():     if request.method == 'POST':         # check if there is a file in the request         if 'file' not in request.files:             return render_template('upload.html', msg='No file selected')         file = request.files['file']         # if no file is selected         if file.filename == '':             return render_template('upload.html', msg='No file selected')          if file and allowed_file(file.filename):              # вызываем функцию ocr_core             extracted_text = ocr_core(file)             # извлекаем текст и отображаем его             return render_template('upload.html',                                    msg='Successfully processed',                                    extracted_text=extracted_text,                                    img_src=UPLOAD_FOLDER + file.filename)     elif request.method == 'GET':         return render_template('upload.html')  if __name__ == '__main__':     app.run()   

Это код бекэнда веб-сервера, в котором всё достаточно просто: есть дефолтная страница и есть страница, на которой мы можем загружать изображения, а также есть функция, вызывающая процесс OCR и выводящая результат.

Код страницы index.html мы здесь не приводим, так как это может быть любая статичная заглушка; или можно страницу загрузки, приведённую ниже, использовать как дефолтную.

Код файла upload.html

<!DOCTYPE html> <html>  <head>    <title>Upload Image</title>  </head>  <body>     {% if msg %}    <h1>{{ msg }}</h1>    {% endif %}     <h1>Upload new File</h1>    <form method=post enctype=multipart/form-data>      <p><input type=file name=file>         <input type=submit value=Upload>    </form>     <h1>Result:</h1>    {% if img_src %}      <img src="{{ img_src }}">    {% endif %}         {% if extracted_text %}      <p> The extracted text from the image above is: <b> {{ extracted_text }} </b></p>    {% else %}      The extracted text will be displayed here    {% endif %}  </body> </html>

Код в фигурных скобках — это шаблоны Jinja, которые позволяют отображать текст в определённых сценариях с помощью тегов {% if%} {% endif%} . Мы также можем передавать сообщения из нашего приложения Flask для отображения на веб‑странице с помощью тегов {{ }}.

В итоге страница с загрузкой будет иметь следующий вид:

А после загрузки нашего тестового примера example.png мы получим следующее:

Заключение

Конечно, в этой статье мы рассмотрели достаточно простой пример работы с распознаванием изображений. Но целью было показать, как можно достаточно легко и без лишних затрат реализовать простой веб-сервер для OCR на Python.

---

Всем, кому интересна тема компьютерного зрения, рекомендую обратить внимание на открытый урок 17 февраля на тему «Аугментация данных в компьютерном зрении».

Рассмотрим, что такое аугментация и зачем она нужна, познакомимся с torchvision transforms и albumentations, разберём написание случайной композиции аугментаций. Если актуально, записывайтесь на странице курса «Компьютерное зрение».