Agora que já sabemos o que é o OCR, podemos começar a trabalhar com ele dentro do Colab. Nosso primeiro passo será a instalação das bibliotecas. Nós instalaremos o pytesseract e também utilizaremos o opencv para visualizarmos algumas imagens e realizarmos alguns tratamentos nelas. O Tesseract OCR também será instalado.
!pip install opencv-python==4.6.0
!sudo apt install tesseract-ocr
!pip install pytesseract==0.3.9
Dois dos comandos dessas três bibliotecas que estamos instalando são pip install. O segundo, é um comando que vem do Linux, sudo apt, que usamos para a instalação do tesseract. Depois de rodar, ele enviará uma mensagem bastante grande. Ao final, um aviso, "you must restart the runtime in order to use newly installed versions", isto é, "você precisa restartar o seu runtime", assim, ele conseguirá entender o que está acontecendo.
Então, vamos apertar o botão "Restart Runtime". Fazendo isso, receberemos um warning com a mensagem "Você quer mesmo reiniciar o ambiente de execução? O estado dele e de todas as variáveis locais será perdido". Nós não temos nada rodado ainda, então, podemos apertar "sim". Após o reiniciou, verificaremos que o valor de "RAM" e "Disco rígido" voltaram ao normal.
Todos os dados que usaremos no curso serão importados via git clone, do GitHub. Dentro da pasta "text-recognize", disponível neste link, encontraremos outra pasta, de "imagens". Nela, encontraremos o Projeto e todas as imagens por aula. Na próxima célula, chamaremos ! git clone seguido do link.
! git clone https://github.com/sthemonica/text-recognize
Na lateral superior do Colab, vamos selecionar os arquivos e a pasta "text_recognize" já estará aqui, com todas as nossas imagens. É muito mais simples do que importarmos todas as imagens de uma vez só ou adicionarmos uma a uma.
Agora, importaremos todas as bibliotecas que usaremos: numpy as np; cv2, que é a biblioteca openCV; e cv2_imshow, que mostrará as imagens no Colab.
import pytesseract
import numpy as np
import cv2
from google.colab.patches import cv2_imshow
Dentro do openCV, temos o cv2_imshow. Esse comando não funciona no Colab para mostrarmos as imagens. Quando estamos usando o Anaconda ou o Jupyter, ele funcionará corretamente, mas dentro do Google Colab, não, então precisaremos dos patches para evitarmos um erro.
Rodamos a célula e deu tudo certo. Agora podemos conferir se ele instalou corretamente a versão do pytesseract.
0.3.9
Também vamos conferir a versão do OpenCV.
4.6.0
A versão do OpenCV é a 4.6.0 e a do pytesseract é a 0.3.9, exatamente as versões que pedimos anteriormente no código. Nosso ambiente está configurado, então, podemos importar uma imagem. Para isso, utilizaremos o OpenCV, que fará a leitura. Faremos img igual a cv2.imread().
Para importarmos a primeira imagem, na lateral esquerda da tela, acessaremos a pasta "text_recognize > Imagens", que importamos do GitHub, e localizaremos o arquivo "Aula1-teste.png". Em seguida, apertaremos o botão de "três pontinhos (...)" que está à frente do arquivo e selecionaremos a opção "Copiar caminho" e colaremos na célula, entre aspas simples ou duplas.
Na linha abaixo, faremos cv2_imshow(), que é o comando que importamos com o google patches e passaremos img.
img = cv2.imread('/content/text-recognize/Imagens/Aula1-teste.png')
cv2_imshow(img)
Com isso, aparecerá a nossa primeira imagem dentro do Google Colab, portanto, o OpenCV está funcionando.
A primeira parte está feita. Agora, precisamos conferir se o tesseract está funcionando. Vamos tentar retirar o texto a partir da imagem. Vamos chamar uma variável nova, texto e ela será igual a pytesseract.image_to_string(img). Abaixo, faremos print(texto).
texto = pytesseract.image_to_string(img)
print(texto)
TESTE INICIAL OCR
A resposta foi "TESTE INICAL OCR", portanto, ele já começou a ler a imagem, sem que fosse necessário fazer qualquer tratamento. O próximo passo é testar a reação do tesseract com outras imagens.