如何使用Python或Tesseract OCR从输入图像中检测语言或脚本？

Question

给定可以在任何语言或书写系统中输入的图像，如何检测图片中的文本所使用的脚本？

任何基于Python或基于Tesseract OCR的解决方案都将不胜感激.

请注意，这里的脚本意味着为相应的语言(分别为英语、俄语、印地语等)编写拉丁文、西里尔语、Devanagari等系统。

Answer 1

Pre-requisites:

安装Tesseract：sudo apt install tesseract-ocr tesseract-ocr-all

• Install PyTessract：pip install pytesseract

Script-Detection:

import pytesseract
import re

def detect_image_lang(img_path):
    try:
        osd = pytesseract.image_to_osd(img_path)
        script = re.search("Script: ([a-zA-Z]+)\n", osd).group(1)
        conf = re.search("Script confidence: (\d+\.?(\d+)?)", osd).group(1)
        return script, float(conf)
    except e:
        return None, 0.0

script_name, confidence = detect_image_lang("image.png")

Language-Detection:

执行OCR (using Tesseract)后，传递文本through langdetect library (或任何其他库)。