图像识别与 OCR 应用实践-EW帮帮网

图像识别是一种让计算机具备“看”与“理解”图像能力的人工智能技术，其目标是从图像或视频中提取有意义的信息，如物体、人物、场景或文字。在现实生活中，这项技术被广泛应用于面部识别、自动驾驶、安防监控、医疗诊断、图像搜索等多个领域。

图像识别的发展离不开**计算机视觉（Computer Vision）和深度学习（Deep Learning）**的持续演进。传统方法依赖人工设计特征（如边缘、角点、纹理等），而现在的主流方法是使用卷积神经网络（CNN）等深度模型，自动提取特征并进行分类或识别，大幅提升了准确率和泛化能力。

图像识别常见的任务包括：

图像分类：判断图像属于哪一类（如猫、狗、飞机等）
目标检测：定位图中出现的各类物体
图像分割：为图像中的不同区域赋予语义标签
面部识别：识别和匹配人脸信息
OCR（光学字符识别）：从图像中提取文字内容

从手写数字识别到实用 OCR 工具

我最初通过一个 CNN 架构尝试识别手写数字，使用经典的 MNIST 数据集/自制的手写训练集进行训练。模型通过反向传播和梯度下降来降低预测误差，实现数字识别的功能。

代码开源地址：
👉 SimpleCNN - GitHub

不过，这个项目更适合教学与实验目的，在实际应用中无法直接应对复杂图像或模糊文字识别的需求。因此我转而使用一些成熟的图像识别 API 服务，比如阿里云的 OCR 识别服务，它对中文文字识别支持较好，使用方便，但在图像模糊或光线不佳时，识别准确率仍有限，需要配合图像预处理优化结果。

实用 OCR API 推荐（阿里云）

以下是我实际使用过，觉得比较实用的一些 API（整理备份，也方便其他人参考）：

🔍 [阿里官方] 通用 OCR 文字识别 API
🔍 [阿里官方] 高精度 OCR 图像识别 API
📚 API 专区 - 云市场
🧠 阿里云通义千问 - DashScope（大语言模型接口）
🧠 智谱 AI 模型服务（GLM-4 Flash 免费/付费）
🎓 阿里云高校学生一年免费服务器计划（申请制）

阿里 OCR API 调用代码示例（Python）

这里是一个实际使用的调用代码，支持上传图片文件或图片链接：

# -*- coding: utf-8 -*-

import json
import base64
import os
import ssl

try:
    from urllib.error import HTTPError
    from urllib.request import Request, urlopen
except ImportError:
    from urllib2 import Request, urlopen, HTTPError

context = ssl._create_unverified_context()


def get_img(img_file):
    """将本地图片转成base64编码的字符串，或者直接返回图片链接"""
    # 简单判断是否为图片链接
    if img_file.startswith("http"):
        return img_file
    else:
        with open(os.path.expanduser(img_file), 'rb') as f:  # 以二进制读取本地图片
            data = f.read()
    try:
        encodestr = str(base64.b64encode(data), 'utf-8')
    except TypeError:
        encodestr = base64.b64encode(data)

    return encodestr


def posturl(headers, body):
    """发送请求，获取识别结果"""
    try:
        params = json.dumps(body).encode(encoding='UTF8')
        req = Request(REQUEST_URL, params, headers)
        r = urlopen(req, context=context)
        html = r.read()
        return html.decode("utf8")
    except HTTPError as e:
        print(e.code)
        print(e.read().decode("utf8"))


def request(appcode, img_file, params):
    # 请求参数
    if params is None:
        params = {}
    img = get_img(img_file)
    params.update({'image': img})

    # 请求头
    headers = {
        'Authorization': 'APPCODE %s' % appcode,
        'Content-Type': 'application/json; charset=UTF-8'
    }

    response = posturl(headers, params)
    print(response)


# 请求接口
REQUEST_URL = "https://tysbgpu.market.alicloudapi.com/api/predict/ocr_general"

if __name__ == "__main__":
    # 配置信息
    appcode = "你的APPCODE"
    img_file = "图片链接/本地图片路径"
    params = {
        "configure": {
            "min_size": 16,  # 图片中文字的最小高度，单位像素（此参数目前已经废弃）
            "output_prob": True,  # 是否输出文字框的概率
            "output_keypoints": False,  # 是否输出文字框角点
            "skip_detection": False,  # 是否跳过文字检测步骤直接进行文字识别
            "without_predicting_direction": False,  # 是否关闭文字行方向预测
        }
    }

    request(appcode, img_file, params)

你只需要填入你的 AppCode 和图片地址即可直接运行。

以及动态爬虫+OCR识别自动登录人民邮电出版社

recognition.py

# -*- coding: utf-8 -*-
import json
import base64
import os
import ssl

try:
    from urllib.error import HTTPError
    from urllib.request import Request, urlopen
except ImportError:
    from urllib2 import Request, urlopen, HTTPError

context = ssl._create_unverified_context()


def get_img(img_file):
    """将本地图片转成base64编码的字符串，或者直接返回图片链接"""
    # 简单判断是否为图片链接
    if img_file.startswith("http"):
        return img_file
    else:
        with open(os.path.expanduser(img_file), 'rb') as f:  # 以二进制读取本地图片
            data = f.read()
    try:
        encodestr = str(base64.b64encode(data), 'utf-8')
    except TypeError:
        encodestr = base64.b64encode(data)

    return encodestr

# 请求接口
REQUEST_URL = "https://gjbsb.market.alicloudapi.com/ocrservice/advanced"
def posturl(headers, body):
    """发送请求，获取识别结果"""
    try:
        params = json.dumps(body).encode(encoding='UTF8')
        req = Request(REQUEST_URL, params, headers)
        r = urlopen(req, context=context)
        html = r.read()
        return html.decode("utf8")
    except HTTPError as e:
        print(e.code)
        print(e.read().decode("utf8"))


def request(appcode, img_file, params):
    # 请求参数
    if params is None:
        params = {}
    img = get_img(img_file)
    if img.startswith('http'):  # img 表示图片链接
        params.update({'url': img})
    else:  # img 表示图片base64
        params.update({'img': img})

    # 请求头
    headers = {
        'Authorization': 'APPCODE %s' % appcode,
        'Content-Type': 'application/json; charset=UTF-8'
    }

    response = posturl(headers, params)
    return response

def run():
    """
    运行函数
    :return:
        返回识别结果
    """
    return request(appcode, img_file, params)


if __name__ == '__main__':
    # 请求接口
    REQUEST_URL = "https://gjbsb.market.alicloudapi.com/ocrservice/advanced"

    # 配置信息
    appcode = "95eaaede7e784cb0a87ab55c8445a766"
    img_file = "./captcha.png"
    params = {
        # 是否需要识别结果中每一行的置信度，默认不需要。 true：需要 false：不需要
        "prob": False,
        # 是否需要单字识别功能，默认不需要。 true：需要 false：不需要
        "charInfo": False,
        # 是否需要自动旋转功能，默认不需要。 true：需要 false：不需要
        "rotate": False,
        # 是否需要表格识别功能，默认不需要。 true：需要 false：不需要
        "table": False,
        # 字块返回顺序，false表示从左往右，从上到下的顺序，true表示从上到下，从左往右的顺序，默认false
        "sortPage": False,
        # 是否需要去除印章功能，默认不需要。true：需要 false：不需要
        "noStamp": False,
        # 是否需要图案检测功能，默认不需要。true：需要 false：不需要
        "figure": False,
        # 是否需要成行返回功能，默认不需要。true：需要 false：不需要
        "row": False,
        # 是否需要分段功能，默认不需要。true：需要 false：不需要
        "paragraph": False,
        # 图片旋转后，是否需要返回原始坐标，默认不需要。true：需要  false：不需要
        "oricoord": True
    }

    message = request(appcode, img_file, params)

    print(message['content'])

    # import json
    # message = '{"sid":"95246a4ddeadba2492f40f4e4be26315d0abf8aae801ca51727b6c677632bd3ac000a754","prism_version":"1.0.9","prism_wnum":1,"prism_wordsInfo":[{"word":"me3xy","pos":[{"x":2,"y":8},{"x":63,"y":8},{"x":63,"y":30},{"x":2,"y":30}],"direction":0,"angle":-90,"x":21,"y":-11,"width":22,"height":61}],"height":34,"width":68,"orgHeight":34,"orgWidth":68,"content":"me3xy ","algo_version":""}'

    # # 怎么获取content中的信息
    # print(json.loads(message)['content'])

main.py

import requests
from selenium import webdriver
from selenium.webdriver.common.by import By
from selenium.webdriver.common.action_chains import ActionChains
import time
from PIL import Image

url = 'https://www.ptpress.com.cn/login'

# 无头浏览器配置
options = webdriver.ChromeOptions()
options.add_argument('--headless')  # 无头模式
options.add_argument('--disable-gpu')
options.add_argument('--no-sandbox')

driver = webdriver.Chrome(options=options) # options:  无头模式
driver.get(url=url)

time.sleep(2)

# 找到验证码图片元素
captcha_img = driver.find_element(By.XPATH, '//*[@id="loginForm"]/div[3]/div[2]/div/img')

# 保存验证码图片（可选）
captcha_img.screenshot('captcha.png')

im = Image.open('./captcha.png')
im.show()

# ----------------------------------------------------
# 图像识别
import recognition

# 请求接口
REQUEST_URL = "https://gjbsb.market.alicloudapi.com/ocrservice/advanced"

# 配置信息
appcode = "95eaaede7e784cb0a87ab55c8445a766"
img_file = "./captcha.png"
params = {
    # 是否需要识别结果中每一行的置信度，默认不需要。 true：需要 false：不需要
    "prob": False,
    # 是否需要单字识别功能，默认不需要。 true：需要 false：不需要
    "charInfo": False,
    # 是否需要自动旋转功能，默认不需要。 true：需要 false：不需要
    "rotate": False,
    # 是否需要表格识别功能，默认不需要。 true：需要 false：不需要
    "table": False,
    # 字块返回顺序，false表示从左往右，从上到下的顺序，true表示从上到下，从左往右的顺序，默认false
    "sortPage": False,
    # 是否需要去除印章功能，默认不需要。true：需要 false：不需要
    "noStamp": False,
    # 是否需要图案检测功能，默认不需要。true：需要 false：不需要
    "figure": False,
    # 是否需要成行返回功能，默认不需要。true：需要 false：不需要
    "row": False,
    # 是否需要分段功能，默认不需要。true：需要 false：不需要
    "paragraph": False,
    # 图片旋转后，是否需要返回原始坐标，默认不需要。true：需要  false：不需要
    "oricoord": True
}

data = recognition.request(appcode, img_file, params)

import json
data = json.loads(data)['content']
print(data)

# -----------------------------------------------------

# 输入用户名、密码和验证码（这里验证码需要手动输入或者使用第三方验证码识别服务）
username = ''
password = ''
# verify_code = input('请输入验证码：') # 手动输入验证码

driver.find_element(By.XPATH, '//*[@id="loginForm"]/div[1]/input').send_keys(username)
driver.find_element(By.XPATH, '//*[@id="loginForm"]/div[2]/input').send_keys(password)
driver.find_element(By.XPATH, '//*[@id="loginForm"]/div[3]/div[1]/div/input').send_keys(data)

# 点击登录按钮
driver.find_element(By.XPATH, '//*[@id="loginBtn"]').click()

time.sleep(3)  # 等待登录结果

page_source = driver.page_source
print(page_source)

driver.quit()

小结与感想

图像识别技术是一个非常实用又持续进化的领域。虽然自己动手训练 CNN 模型很有成就感，但面对实际应用场景，使用成熟的云服务往往更高效也更稳定。当然，这也让我意识到：图像识别不仅是“训练模型”，更是一个包括图像采集、预处理、模型调用、结果处理的完整链条。

图像识别与 OCR 应用实践

从手写数字识别到实用 OCR 工具

实用 OCR API 推荐（阿里云）

阿里 OCR API 调用代码示例（Python）

小结与感想

网站公告

今日签到

热门文章

最新发布