中企动力 > 商学院 > 汉字图片识别
  • ?

    TensorFlow 与中文手写汉字识别

    独狼

    展开

    本文目标是利用TensorFlow做一个简单的图像分类器,在比较大的数据集上,尽可能高效地做图像相关处理,从Train,Validation到Inference,是一个比较基本的Example, 从一个基本的任务学习如果在TensorFlow下做高效地图像读取,基本的图像处理,整个项目很简单,但其中有一些trick,在实际项目当中有很大的好处, 比如绝对不要一次读入所有的 的数据到内存(尽管在Mnist这类级别的例子上经常出现)…

    最开始看到是这篇blog里面的TensorFlow练习22: 手写汉字识别(http://blog.topspeedsnail/archives/10897), 但是这篇文章只用了140训练与测试,试了下代码 很快,但是当扩展到所有的时,发现32g的内存都不够用,这才注意到原文中都是用numpy,会先把所有的数据放入到内存,但这个不必须的,无论在MXNet还是TensorFlow中都是不必 须的,MXNet使用的是DataIter,会在程序运行的过程中异步读取数据,TensorFlow也是这样的,TensorFlow封装了高级的api,用来做数据的读取,比如TFRecord,还有就是从filenames中读取, 来异步读取文件,然后做shuffle batch,再feed到模型的Graph中来做模型参数的更新。具体在tf如何做数据的读取可以看看reading data in tensorflow

    这里我会拿到所有的数据集来做训练与测试,算作是对斗大的熊猫上面那篇文章的一个扩展。

    Batch Generate

    数据集来自于中科院自动化研究所,感谢分享精神!!!具体下载:

    wget http://nlpr.ia.ac/databases/download/feature_data/HWDB1.1trn_gnt.zip

    wget http://nlpr.ia.ac/databases/download/feature_data/HWDB1.1tst_gnt.zip

    解压后发现是一些gnt文件,然后用了斗大的熊猫里面的代码,将所有文件都转化为对应label目录下的所有png的图片。(注意在HWDB1.1trn_gnt.zip解压后是alz文件,需要再次解压 我在mac没有找到合适的工具,windows上有alz的解压工具)。

    处理好的数据,放到了云盘,大家可以直接在我的云盘来下载处理好的数据集HWDB1. 这里说明下,char_dict是汉字和对应的数字label的记录。

    得到数据集后,就要考虑如何读取了,一次用numpy读入内存在很多小数据集上是可以行的,但是在稍微大点的数据集上内存就成了瓶颈,但是不要害怕,TensorFlow有自己的方法:

    def batch_data(file_labels,sess,batch_size=128):

    image_list = [file_label[0]forfile_label infile_labels]

    label_list = [int(file_label[1])forfile_label infile_labels]

    print'tag2 {0}'.format(len(image_list))

    images_tensor = tf.convert_to_tensor(image_list,dtype=tf.string)

    labels_tensor = tf.convert_to_tensor(label_list,dtype=tf.int64)

    input_queue = tf.train.slice_input_producer([images_tensor,labels_tensor])

    labels = input_queue[1]

    images_content = tf.read_file(input_queue[0])

    # images = tf.image.decode_png(images_content, channels=1)

    images = tf.image.convert_image_dtype(tf.image.decode_png(images_content,channels=1),tf.float32)

    # images = images / 256

    images = pre_process(images)

    # print images.get_shape()

    # one hot

    labels = tf.one_hot(labels,3755)

    image_batch,label_batch = tf.train.shuffle_batch([images,labels],batch_size=batch_size,capacity=50000,min_after_dequeue=10000)

    # print 'image_batch', image_batch.get_shape()

    coord = tf.train.Coordinator()

    threads = tf.train.start_queue_runners(sess=sess,coord=coord)

    returnimage_batch,label_batch,coord,threads

    简单介绍下,首先你需要得到所有的图像的path和对应的label的列表,利用tf.convert_to_tensor转换为对应的tensor, 利用tf.train.slice_input_producer将image_list ,label_list做一个slice处理,然后做图像的读取、预处理,以及label的one_hot表示,然后就是传到tf.train.shuffle_batch产生一个个shuffle batch,这些就可以feed到你的 模型。 slice_input_producer和shuffle_batch这类操作内部都是基于queue,是一种异步的处理方式,会在设备中开辟一段空间用作cache,不同的进程会分别一直往cache中塞数据 和取数据,保证内存或显存的占用以及每一个mini-batch不需要等待,直接可以从cache中获取。

    Data Augmentation

    由于图像场景不复杂,只是做了一些基本的处理,包括图像翻转,改变下亮度等等,这些在TensorFlow里面有现成的api,所以尽量使用TensorFlow来做相关的处理:

    def pre_process(images):

    ifFLAGS.random_flip_up_down:

    images = tf.image.random_flip_up_down(images)

    ifFLAGS.random_flip_left_right:

    images = tf.image.random_flip_left_right(images)

    ifFLAGS.random_brightness:

    images = tf.image.random_brightness(images,max_delta=0.3)

    ifFLAGS.random_contrast:

    images = tf.image.random_contrast(images,0.8,1.2)

    new_size = tf.constant([FLAGS.image_size,FLAGS.image_size],dtype=tf.int32)

    images = tf.image.resize_images(images,new_size)

    returnimages

    Build Graph

    这里很简单的构造了一个两个卷积+一个全连接层的网络,没有做什么更深的设计,感觉意义不大,设计了一个dict,用来返回后面要用的所有op,还有就是为了方便再训练中查看loss和accuracy, 没有什么特别的,很容易理解, labels 为None时 方便做inference。

    def network(images,labels=None):

    endpoints = {}

    conv_1 = slim.conv2d(images,32,[3,3],1,padding='SAME')

    max_pool_1 = slim.max_pool2d(conv_1,[2,2],[2,2],padding='SAME')

    conv_2 = slim.conv2d(max_pool_1,64,[3,3],padding='SAME')

    max_pool_2 = slim.max_pool2d(conv_2,[2,2],[2,2],padding='SAME')

    flatten = slim.flatten(max_pool_2)

    out = slim.fully_connected(flatten,3755,activation_fn=None)

    global_step = tf.Variable(initial_value=0)

    iflabels isnotNone:

    loss = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(out,labels))

    train_op = tf.train.AdamOptimizer(learning_rate=0.0001).minimize(loss,global_step=global_step)

    accuracy = tf.reduce_mean(tf.cast(tf.equal(tf.argmax(out,1),tf.argmax(labels,1)),tf.float32))

    tf.summary.scalar('loss',loss)

    tf.summary.scalar('accuracy',accuracy)

    merged_summary_op = tf.summary.merge_all()

    output_score = tf.nn.softmax(out)

    predict_val_top3,predict_index_top3 = tf.nn.top_k(output_score,k=3)

    endpoints['global_step'] = global_step

    endpoints['labels'] = labels

    endpoints['train_op'] = train_op

    endpoints['loss'] = loss

    endpoints['accuracy'] = accuracy

    endpoints['merged_summary_op'] = merged_summary_op

    endpoints['output_score'] = output_score

    endpoints['predict_val_top3'] = predict_val_top3

    endpoints['predict_index_top3'] = predict_index_top3

    returnendpoints

    Train

    train函数包括从已有checkpoint中restore,得到step,快速恢复训练过程,训练主要是每一次得到mini-batch,更新参数,每隔eval_steps后做一次train batch的eval,每隔save_steps 后保存一次checkpoint。

    def train():

    sess = tf.Session()

    file_labels = get_imagesfile(FLAGS.train_data_dir)

    images,labels,coord,threads = batch_data(file_labels,sess)

    endpoints = network(images,labels)

    saver = tf.train.Saver()

    sess.run(tf.global_variables_initializer())

    train_writer = tf.train.SummaryWriter('./log' + '/train',sess.graph)

    test_writer = tf.train.SummaryWriter('./log' + '/val')

    start_step = 0

    ifFLAGS.restore:

    ckpt = tf.train.latest_checkpoint(FLAGS.checkpoint_dir)

    ifckpt:

    saver.restore(sess,ckpt)

    print"restore from the checkpoint {0}".format(ckpt)

    start_step += int(ckpt.split('-')[-1])

    logger.info(':::Training Start:::')

    try:

    whilenotcoord.should_stop():

    # logger.info('step {0} start'.format(i))

    start_time = time.time()

    _,loss_val,train_summary,step = sess.run([endpoints['train_op'],endpoints['loss'],endpoints['merged_summary_op'],endpoints['global_step']])

    train_writer.add_summary(train_summary,step)

    end_time = time.time()

    logger.info("the step {0} takes {1} loss {2}".format(step,end_time-start_time,loss_val))

    ifstep >FLAGS.max_steps:

    break

    # logger.info("the step {0} takes {1} loss {2}".format(i, end_time-start_time, loss_val))

    ifstep % FLAGS.eval_steps == 1:

    accuracy_val,test_summary,step = sess.run([endpoints['accuracy'],endpoints['merged_summary_op'],endpoints['global_step']])

    test_writer.add_summary(test_summary,step)

    logger.info('===============Eval a batch in Train data=======================')

    logger.info('the step {0} accuracy {1}'.format(step,accuracy_val))

    ifstep % FLAGS.save_steps == 1:

    logger.info('Save the ckpt of {0}'.format(step))

    saver.save(sess,os.path.join(FLAGS.checkpoint_dir,'my-model'),global_step=endpoints['global_step'])

    except tf.errors.OutOfRangeError:

    # print "============train finished========="

    logger.info('==================Train Finished================')

    finally:

    coord.request_stop()

    coord.join(threads)

    sess.close()

    Graph

    Loss and Accuracy

    Validation

    训练完成之后,想对最终的模型在测试数据集上做一个评估,这里我也曾经尝试利用batch_data,将slice_input_producer中epoch设置为1,来做相关的工作,但是发现这里无法和train 共用,会出现epoch无初始化值的问题(train中传epoch为None),所以这里自己写了shuffle batch的逻辑,将测试集的images和labels通过feed_dict传进到网络,得到模型的输出, 然后做相关指标的计算:

    def validation():

    # it should be fixed by using placeholder with epoch num in train stage

    file_labels = get_imagesfile(FLAGS.test_data_dir)

    test_size = len(file_labels)

    print test_size

    val_batch_size = FLAGS.val_batch_size

    test_steps = test_size / val_batch_size

    print test_steps

    # images, labels, coord, threads= batch_data(file_labels, sess)

    images = tf.placeholder(dtype=tf.float32,shape=[None,64,64,1])

    labels = tf.placeholder(dtype=tf.int32,shape=[None,3755])

    # read batch images from file_labels

    # images_batch = np.zeros([128,64,64,1])

    # labels_batch = np.zeros([128,3755])

    # labels_batch[0][20] = 1

    #

    # logger.info("restore from the checkpoint {0}".format(ckpt))

    # logger.info('Start validation')

    final_predict_val = []

    final_predict_index = []

    groundtruth = []

    foriinrange(test_steps):

    start = i*val_batch_size

    end = (i+1)*val_batch_size

    images_batch = []

    labels_batch = []

    labels_max_batch = []

    logger.info('=======start validation on {0}/{1} batch========='.format(i,test_steps))

    forjinrange(start,end):

    image_path = file_labels[j][0]

    temp_image = Image.open(image_path).convert('L')

    temp_image = temp_image.resize((FLAGS.image_size,FLAGS.image_size),Image.ANTIALIAS)

    temp_label = np.zeros([3755])

    label = int(file_labels[j][1])

    # print label

    temp_label[label] = 1

    # print "====",np.asarray(temp_image).shape

    labels_batch.append(temp_label)

    images_batch.append(np.asarray(temp_image)/255.0)

    labels_max_batch.append(label)

    # print images_batch

    images_batch = np.array(images_batch).reshape([-1,64,64,1])

    labels_batch = np.array(labels_batch)

    batch_predict_val,batch_predict_index = sess.run([endpoints['predict_val_top3'],

    endpoints['predict_index_top3']],feed_dict={images:images_batch,labels:labels_batch})

    logger.info('=======validation on {0}/{1} batch end========='.format(i,test_steps))

    final_predict_val += batch_predict_val.tolist()

    final_predict_index += batch_predict_index.tolist()

    groundtruth += labels_max_batch

    returnfinal_predict_val,final_predict_index,groundtruth

    在训练20w个step之后,大概能达到在测试集上能够达到:

    相信如果在网络设计上多花点时间能够在一定程度上提升accuracy和top 3 accuracy.有兴趣的小伙伴们可以玩玩这个数据集。

    Inference

    def inference(image):

    temp_image = Image.open(image).convert('L')

    logger.info('========start inference============')

    endpoints = network(images)

    predict_val,predict_index = sess.run([endpoints['predict_val_top3'],endpoints['predict_index_top3']],feed_dict={images:temp_image})

    returnfinal_predict_val,final_predict_index

    运气挺好,随便找了张图片就能准确识别出来

    Summary

    综上,就是利用tensorflow做中文手写识别的全部,从如何使用tensorflow内部的queue来有效读入数据,到如何设计network, 到如何做train,validation,inference,珍格格流程比较清晰, 美中不足的是,原本打算是在训练过程中,来对测试集做评估,但是在使用queue读test_data_dir下的filenames,和train本身的好像有点问题,不过应该是可以解决的,我这里就pass了。另外可能 还有一些可以改善的地方,比如感觉可以把batch data one hot的部分写入到network,这样,减缓在validation时内存会因为onehot的sparse开销比较大。

    感觉这个中文手写汉字数据集价值很大,后面感觉会有好多可以玩的,比如

    可以参考项亮大神的这篇文章端到端的OCR:验证码识别做定长的字符识别和不定长的字符识别,定长的基本原理是说,可以把最终输出扩展为k个输出, 每个值表示对应的字符label,这样cnn模型在feature extract之后就可以自己去识别对应字符而无需人工切割;而LSTM+CTC来解决不定长的验证码,类似于将音频解码为汉字

    最近GAN特别火,感觉可以考虑用这个数据来做某个字的生成,和text2img那个项目text-to-image

    这部分的代码都在我的github上tensorflow-101,有遇到相关功能,想参考代码的可以去上面找找,没准就能解决你们遇到的一些小问题.

    Update in 2017.02.13

    感谢@soloice的PR,使得代码更简洁, 并且修改了网络的结构,使得模型准确率上升很高, 最后top1和top3的结果:

  • ?

    如何进行图片局部识别?

    格洛斯特

    展开

    图片局部识别怎么识别?当面对这个问题时你是不是很头疼呢?没关系,要进行图片局部识别是有方法的,首先我们可以借助捷速ocr文字识别软件来进行该识别操作。具体的步骤如下:

    操作工具:捷速ocr文字识别软件——图片局部识别

    安装软件:

    百度搜索:捷速ocr文字识别软件找到对应的官网,下载安装该软件

    识别步骤:

    1、首先,我们需要转换的工具,在百度中搜索“ocr文字识别软件”找到官网点击,并下载

    2、双击打开该软件,找到“图片局部识别”点击,然后再点击“添加文件”在弹出的窗口添加需要转换成txt文件的图片并打开

    3、添加好文件之后用鼠标在图片上面用鼠标左键拖拽出要识别的区域

    4、当松开识别左键时,将立即开始自动识别,只需要稍等一会儿,就能在右边框看到识别后的文字内容。

    5、在页面的左下角“输出目录”我们可以为转换后的文件设置一个新的保存路径

    6、图片识别完成后点击右下角的保存为txt,就可以把文件进保存到电脑中了

    聪明的你学会了小编分享的图片局部识别的方法吗?简单的来说我们只需要借助捷速ocr文字识别软件就可以快速,轻松的完成该图片识别了,识别之后还可以进行文字的重编辑哦!感兴趣的你可以收藏或实际操作。

  • ?

    如何将图片转文字?

    郦千凝

    展开

    图片上的文字,大家都会用什么办法取出来呢?

    不要告诉我,还在用手抄?现在科技那么发达,图片转文字秒秒钟就能搞定,接下来我分享一下我的小技巧,一起来看看吧。

    准备工具:

    1. 手机

    2. 迅捷文字识别(苹果、安卓均可)

    方法教程:

    打开安装好的迅捷文字识别APP

    2. 点击“图片识别”立即使用

    3. 从图库中选择需要识别的图片,选择好以后,点击“确定”(可选择多张)

    4. 立即识别

    点击“立即识别”即可。

    5. 识别成功

    识别出来的文字可以复制,翻译,校对。

    怎么样?是不是很方便。

  • ?

    图片转换成文字,用手机居然这么简单!

    段老九

    展开

    只有你想不到,哪有小程序做不到的。在面对有些图片文字时候?还想把上面的字抠出来?今天向大家介绍一下利用微信小程序来识别、提取图片中的文字的小程序,而且好用到爆,大家再也不用担心图片上的文字不能编辑了。

    1、打开微信,点击发现按钮“小程序”,在搜索框里面搜索“迅捷文字识别”

    2、进入小程序之后,我们可以直接选择已有的图片或者拍照进行识别

    3、选择好之后,就自动开始进行识别了,稍等一下就识别完成了。

    微信小程序功能强大,只要多探索会发现很多神奇的功能。此小程序识别之后的文字就可以进行相关操作了。是不是很简单呐~

  • ?

    这样将图片转文字,识别快,准确率高,简直就是黑科技!

    於代桃

    展开

    说到图片转换成文字,大家首先想到的可能就是下载OCR文字识别软件,结果折腾半天吧,效果可能还不好。

    所以今天要跟大家分享的方法满足:一、不用下载工具;二、识别效果好

    不用下载工具但还是要用到工具啊,说到这大家可能就明白了。没错,今天要用的就是小程序。

    图片转文字的小程序,小编了解的并不多,但是这款确实是不错。用了很多次,效果基本都很满意。

    迅捷文字识别——这款小程序的名称叫做"迅捷文字识别",打开微信中的小程序所搜该名称就能找到;

    使用方法很简单,操作一下并给大家做个对比:

    下面是识别之前的图片文件:

    我们打开小程序后,上传图片(方式有两种:相册/拍照)

    图片上传后识别自动开始,下面是识别后的效果:

    以上就是今天给大家分享的小程序啦,不仅好用还免费,感兴趣的试试吧。

  • ?

    如何在线图片文字识别?图片转文字的方法

    麻衣

    展开

    如何在线识别图片上的字?方法其实很简单,借助在线pdf转换器里的ocr识别工具就行了。可以使用迅捷pdf在线转换器中的在线图片ocr识别来实现在线识别图片上的字

    工具:迅捷pdf在线转换器——在线识别图片上的字

    进入方法:

    百度搜索:迅捷pdf在线转换器,找到对应的网站点击访问

    转换方法:

    1、首先,在电脑百度浏览器搜索“迅捷pdf在线转换器”关键词,找到对应的网站点击访问

    2、进入在线操作平台在页面中找到“ocr识别”点击,然后在出现的下拉菜单中点击“图片ocr识别”

    3、页面进行刷新,点击“点击选择文件”在弹出的窗口添加需要转换的文件

    4、添加完成后点击“开始识别”按钮,文件将进行自动的转换操作

    5、在开始转换前可以在“自定义设置转换如下”进行文件的一个设置

    6、转换文件需要时间,完成后也可以先预览效果,满意后点击“立即下载”就可以把文件保存到电脑中了

    好了,步骤进行到这里就结束了如何在线识别图片上的字的识别操作了。使用在线pdf转换器平台来操作,减少了下载软件的麻烦,使用也是非常的方便,快捷的。如果对你有需要可以进行收藏哦!

  • ?

    分享:怎样将图片中的文字识别出来?

    访文

    展开

    小编每次工作时查找到的资料全都是以图片形式展现的,不能粘贴复制,使小编的任务量大大增加,为此,小编遍访名站,终有所获,成功的将图片中的文字识别出来了,下面让小编给大家分享将图片中的文字识别出来的方法吧~

    1.打开刚刚下载的文字识别软件,选择极速识别,它一次性可识别多个文件。

    2.点击添加文件或者添加文件夹,选取需要识别的图片。单张图片可以选择添加文件,如果有多个图片需要识别,则选择添加文件夹,将所有图片都添加进去。然后点击一键识别。

    4、点击一键识别然后耐性等待,在软件中可以查取你的识别状态,待状态值满了之后,识别也已经完成了。

    5、等待识别完成后,点击打开文件即可,所有图片识别完成的文件就在里面。

    小编今天的分享大家满不满意,看了小编的分享后是不是觉得这个犯法特别简单?想要了解更多功能,可以自己去下载尝试哟~

  • ?

    1秒将图片变文字,这5个神器你知道哪个?

    宫翠安

    展开

    作为一只运营狗,我们经常会用手机拍摄、截屏了一大堆图片和表格,领导的PPT、客户的名片、各种文案海报……

    想着有空后整理一下,在电脑上把文字打出来,但巨大的工作量让你望而却步,最终不了了之。有没有一种工具可以很顺利的将纸质版的文字变成电子版的文字呢?

    答案肯定是有的,给大家推荐下面这 5 种方法,图片和表格都能秒转文字,分分钟帮你提高工作效率~~

    1

    微信小程序

    1)打开微信,点击下方「发现」选项,选取「小程序」。

    2)点击「搜索」,输入“传图识字”,或者“图片文字识别”,或者“扫描大师”

    3)以“智能扫描助手”为例,点击搜索项中“智能扫描助手”。选择 「拍摄」进行图片拍照或者点击「相册」上传图片。

    4)上传后的会自动解析图片里面的文字,并用线框进行标记。可手动选择想要转换成文字的内容,或者点击下方「全选」可选中所有文字。

    5)选择「内容」选项可以直接查看识图片后的文字效果。如果觉得 ok 可直接点击下方「复制」按钮将文字进行复制。

    6)打开微信对话框,选取「文件传输助手」,在对话框中将复制好的内容粘贴并发送。发送结束后 可在电脑上对所识别的文字进行编辑,快速简捷。

    当然,其他同类型的">

    优点: 微信小程序自带功能,简单、方便、免费,用完即走。

    缺点: 使用人数增多有时会出现不稳定的情况。

    2

    QQ扫一扫

    对的,现在 QQ 的扫一扫功能也能够实现图片转换文字啦!

    1)打开 QQ 手机,点击右上角的“+”后并选择「扫一扫」。

    2)将手机对准你要提取的文字图片,系统识别出文字后点击下方「拍照提取按钮」即可进行文字识别。

    当然如果提前有图片的话可直接在“扫一扫”界面右上方选择「相册」进行图片选择。

    3)文字图取出来后,点击界面右下角「 … 」按钮,选择「发送给好友」至「我的电脑」,这样文字就可以直接从电脑上进行编辑。

    ↓↓↓

    优点: QQ 自带功能,习惯使用 QQ 进行工作的人的福利。

    缺点: 识别效果一般,对图片质量有要求。

    3

    Office自带软件

    多数人对 Office 软件的使用只是 Word、Excel 和 PPT,但是 Office 另一个组件—OneNote 是可以快速识别文字并保存到电脑中。

    1)打开 OneNote 后,点击“+”即可新建一分区。

    2)上方菜单栏选择「插入」—「图片」,选择需要转换成文字的图片。

    3)鼠标选中图片,右键单击,选择「复制图片中的文本」。

    缺点: Office 2003 版后都自带 OneNote,识别效果一般,对图片质量有要求。

    4

    有道云笔记

    作为一个线上协同记笔记快捷的软件,现在又多了一种笔记添加方式:文档扫描。

    3)系统会自动将图片内容转变为文字,手动校对更改后,点击右上方「完成」,文字会自动保存到有道云笔记里面。

    优点: 简单、方便、识别度高,可直接同步在有道云笔记上。

    缺点: 非会员用户每月可免费使用 10 次 OCR 功能,付费升级为会员后才可无限次数使用。

    5

    扫描全能王APP

    比较流行的扫描软件之一。

    1)打开 APP 后选择拍照或者上传图片。用手指拖动边框选择需要识别文字的范围,然后点击右下角 √ 即可识别。

    2)下方菜单栏选择「校对」即可查看识别后的文字和图片内容有无差错,并进行更改。

    3)校对无误后,点击「完成」,可分享至其他应用或者复制到剪贴板进行黏贴。

    优点: 应用知名度高,操作快捷方便,识别率高。

    缺点: 识别后段落有点乱,软件需要付费。

    除了小编所提到的前面 5 个图片转换文字的工具之外还有其他的没有讲到,比如锤子手机也自带此功能(本想写的奈何公司没有人使用该手机),还有就是手机版的搜狗输入法可是可以的。

    关于图片转换文字的软件就写到这里,经过亲自使用对比过后, 个人觉得小程序的图片转文字工具还是比较优秀 的,当然如果你不缺钱的话使用 APP 也是不错的选择。

    微知互动

    你还私藏了哪些好用的小工具, 来和我们分享~

    做运营的你,或许还需要这些干货:

    文案高手在民间,不拿月薪30000可惜了

    用户口味越来越重,2018年的营销究竟怎么破?

    2017「作死」营销案例盘点分析

    2017刷屏级营销案例盘点分析

    轻 松 一 点

    从 心 出 发

    微知:bigwe

    长按关注

  • ?

    怎样识别图片中的文字,提取并变成可编辑状态

    安雨珍

    展开

    大家好,我是小编颜如玉,最近发现一款实用的免费小工具,能识别图片中的文字并自动生成可编辑状态的文字,推荐给大家,以下是实测使用步骤。感觉有用的话,关注支持一下,谢谢。

    第一步,打开微信发现页面,点击小程序。

    第二步,搜索“传图识字”,点击进入搜索结果中的第一个小程序。

    第三步,点击拍摄图片,我拍的是手边的总书记语录。

    第四步,点击最下边的全选,然后点复制文字。

    第五步,提示复制成功,退出小程序,把文字复制到你需要的地方,我复制到文件传输助手里了。

    大功告成,pdf转word,我没有测试,道理是一样的,可以先把pdf文件拍照,然后直接转,再复制到新建的word文档里就行了。

  • ?

    如何将图片转文字 图片文字识别的方法

    阿鸟满麻

    展开

    图片也分为很多中,我们出去玩拍的照片自然不存在需要编辑文字的情况,但是有的文字是以图片形式展现的,我们要如何将图片转文字呢?图片文字识别的方法是什么?

    其实图片文字跟pdf文件有点像,都无法对文字进行直接的编辑,但是pdf文件可以转换成word解决该问题,图片的话,只能用识别软件将文字识别后保存为word然后编辑啦。

    这里要用到的文字识别软件为一个在线识别工具,它是迅捷pdf在线转换器其中的一个页面——在线图片文字识别工具

    首先我们需要找到迅捷pdf在线转换器并进入;

    然后找到图片 ocr识别功能并选择,把要识别的图片文件添加进来;

    文件添加好之后单击开始识别按钮,等待识别完成。

    识别完成之后将文档下载下来就可以了。

    下面是识别后的效果。

    以上就是今天分享给大家的图片转word文字的详细方法啦,大家也可以自己试试看哦。

所有视频需要登录后,才能观看

请先登录您的帐号,即可完整播放,如果您尚未注册帐号,请先点击注册。