آموزش جامع تشخیص متن در تصویر با Pytesseract و پایتون

استخراج متن از تصاویر یا همان فناوری OCR (Optical Character Recognition)، یکی از کلیدی‌ترین نیازها در پروژه‌های اتوماسیون اداری، پردازش اسناد و بینایی ماشین است. با استفاده از پایتسرکت، شما می‌توانید سخت‌ترین تصاویر حاوی متون فارسی و انگلیسی را اسکن کرده و آن‌ها را به رشته‌های متنی قابل ویرایش و ذخیره در دیتابیس تبدیل کنید. در ادامه، این فرآیند را از صفر تا پیاده‌سازی حرفه‌ای یاد خواهیم گرفت.

۱. پایتسرکت (Pytesseract) چیست؟

پایتسرکت (Pytesseract) یک کتابخانه پایتون است که به عنوان یک لایه واسط (Wrapper) برای موتور قدرتمند Tesseract OCR گوگل عمل می‌کند. این ابزار به توسعه‌دهندگان اجازه می‌دهد فایل‌های تصویری مانند PNG، JPG و TIFF را مستقیماً به متن تایپ‌شده تبدیل کنند.

موتور اصلی تسراکت در ابتدا توسط شرکت HP توسعه یافت و سپس گوگل مدیریت آن را بر عهده گرفت. امروزه این ابزار به لطف هوش مصنوعی و شبکه‌های عصبی LSTM، از بیش از ۱۰۰ زبان مختلف دنیا از جمله زبان فارسی پشتیبانی می‌کند و یکی از دقیق‌ترین گزینه‌های متن‌باز موجود برای برنامه‌نویسان است.

۲. مراحل نصب و راه‌اندازی پیش‌نیازها

برای شروع کار با Pytesseract، نصب کردن خودِ پکیج پایتون کافی نیست. شما باید موتور اجرایی Tesseract را روی سیستم‌عامل خود نصب کرده و سپس مسیر آن را به پایتون معرفی کنید.

گام اول: نصب موتور Tesseract روی سیستم‌عامل

• ویندوز (Windows): فایل نصبی exe را از وب‌سایت‌های معتبر یا گیت‌هاب رسمی Tesseract دانلود و نصب کنید. تیک مربوط به نصب پک‌های زبان اضافی (Additional language data) را بزنید تا بعداً دچار مشکل نشوید. مسیر پیش‌فرض نصب معمولاً C:Program FilesTesseract-OCR است.
• لینوکس (Ubuntu/Debian): ترمینال خود را باز کرده و دستور زیر را اجرا کنید:
  sudo apt update && sudo apt install tesseract-ocr
• مک (macOS): از مدیریت پکیج Homebrew استفاده کنید:
  brew install tesseract

گام دوم: نصب کتابخانه‌های پایتون

حالا نوبت به نصب کتابخانه پایتون و ابزار Pillow برای مدیریت تصاویر می‌رسد. اگر به ابزارهای برنامه‌نویسی پایتون علاقه‌مندید، پیشنهاد می‌شود آرشیو تکه‌کدهای پایتون ما را برای یادگیری پروژه‌های کاربردی‌تر دنبال کنید. دستور زیر را در خط فرمان اجرا کنید:

pip install pytesseract pillow opencv-python

۳. نوشتن اولین کد تشخیص متن انگلیسی

ساده‌ترین راه برای استخراج متن از تصویر در پایتون چیست؟ با وارد کردن کتابخانه Pillow و Pytesseract، باز کردن تصویر با متد Image.open() و فرستادن آن به تابع image_to_string()، متن تصویر به راحتی در قالب یک رشته خروجی داده می‌شود.

کد زیر یک نمونه ساده و استاندارد برای خواندن متون انگلیسی از روی یک فایل تصویری معمولی است:

from PIL import Image
import pytesseract

# مشخص کردن مسیر فایل اجرایی Tesseract (فقط برای کاربران ویندوز)
# pytesseract.pytesseract.tesseract_cmd = r'C:Program FilesTesseract-OCRtesseract.exe'

# باز کردن تصویر با کتابخانه Pillow
image_path = 'sample-text.png'
img = Image.open(image_path)

# استخراج متن انگلیسی
extracted_text = pytesseract.image_to_string(img)

print("متن استخراج شده:")
print(extracted_text)

۴. تنظیم Pytesseract برای زبان فارسی

به طور پیش‌فرض، تسراکت فقط زبان انگلیسی را شناسایی می‌کند. برای خواندن متن‌های فارسی، باید فایل زبان اختصاصی آن را به برنامه معرفی کنیم.

مراحل فعال‌سازی زبان فارسی:

1. به گیت‌هاب رسمی Tesseract مراجعه کرده و فایل fas.traineddata مربوط به نسخه خود را دانلود کنید.
2. فایل دانلود شده را به پوشه tessdata در مسیر نصب برنامه انتقال دهید (مثلاً: C:Program FilesTesseract-OCRtessdata).
3. در کدهای پایتون پارامتر lang='fas' را تنظیم کنید.

کد زیر نحوه استفاده همزمان از زبان‌های فارسی و انگلیسی را نشان می‌دهد:

from PIL import Image
import pytesseract

img = Image.open('persian-image.jpg')

# استفاده از زبان فارسی (fas) و انگلیسی (eng) به طور همزمان
text = pytesseract.image_to_string(img, lang='fas+eng')

print("متن فارسی استخراج شده:")
print(text)

۵. افزایش دقت OCR با پیش‌پردازش تصاویر (OpenCV)

چرا در تشخیص متون تصاویر کج، تار یا سایه‌دار دچار خطا می‌شویم؟ موتور OCR بر اساس تمایز شدید رنگ سفید و سیاه کار می‌کند. اگر کنتراست تصویر پایین باشد یا در پس‌زمینه نویز وجود داشته باشد، تسراکت حروف را اشتباه تشخیص می‌دهد. پیش‌پردازش تصاویر با استفاده از OpenCV، کلید طلایی افزایش ۱۰۰ درصدی دقت کار است.

در ادامه سه تکنیک حیاتی پیش‌پردازش شامل سیاه‌وسفید کردن دوحالته (Thresholding)، کاهش نویز (Denoising) و تغییر مقیاس (Rescaling) را بررسی می‌کنیم.

import cv2
import pytesseract

# خواندن تصویر با OpenCV
image = cv2.imread('blurry_invoice.png')

# ۱. تبدیل به تصویر خاکستری (Grayscale)
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

# ۲. فیلتر کردن نویز (سایش ملایم تصویر)
denoised = cv2.medianBlur(gray, 3)

# ۳. اعمال آستانه‌گذاری تطبیقی برای تبدیل به سیاه و سفید خالص
threshold_img = cv2.threshold(denoised, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)[1]

# ذخیره موقت تصویر پیش‌پردازش شده برای تایید بصری
cv2.imwrite('clean_image.png', threshold_img)

# ارسال تصویر بهینه شده به تسراکت
extracted_data = pytesseract.image_to_string(threshold_img, lang='fas')
print(extracted_data)

۶. آشنایی با مدهای پیکربندی (PSM)

Tesseract گزینه‌های مختلفی برای تقسیم‌بندی صفحات (Page Segmentation Modes یا همان PSM) ارائه می‌دهد. با تغییر این تنظیمات، شما مشخص می‌کنید که هوش مصنوعی تصویر را به صورت یک بلاک متنی بزرگ، یک کلمه تک، یا یک خط تکی بررسی کند. برای مثال اگر تصویری حاوی یک کلمه کوتاه دارید، حتماً از مد ۸ استفاده کنید تا دقت کار به حداکثر برسد.

جهت پیاده‌سازی این تنظیمات در پروژه خود، کافیست دستور پیکربندی زیر را به صورت آرگومان برای تابع تسراکت ارسال نمایید:

# تنظیم مد صفحه روی حالت 6 (بلوک متن یکنواخت)
custom_config = r'--psm 6'
text = pytesseract.image_to_string(img, lang='fas', config=custom_config)

۷. عیب‌یابی سریع و رفع خطاهای رایج

۸. پرسش‌های متداول

در این بخش به متداول‌ترین سوالات شما درباره کار با موتور قدرتمند Pytesseract پاسخ داده‌ایم: