import pytesseract
from PIL import Image
image=Image.open('D:\Image\\test.png')
result=pytesseract.image_to_string(image)
print(result)

import numpy as np
import argparse #解析命令行参数
import cv2
import imutils #opencv辅助工具包
'''
ap=argparse.ArgumentParser()
ap.add_argument('-i','--Testimage.jpg',required=True,help='path to the image file')
args=vars(ap.parse_args())
'''
#灰度化处理
image=cv2.imread('D:\Image\Testimage.jpg')
gray=cv2.cvtColor(image,cv2.COLOR_BGR2GRAY)
#用sobel算子计算x，y方向上的梯度
ddepth=cv2.cv.CV_32F if imutils.is_cv2() else cv2.CV_32F
gradx=cv2.Sobel(gray,ddepth=ddepth,dx=1,dy=0,ksize=-1) #sobel算子横向边缘检测
grady=cv2.Sobel(gray,ddepth=ddepth,dx=0,dy=1,ksize=-1) #sobel算子纵向边缘检测
'''
从x-grdient中减去y-gradient的减法操作,
最终得到包含高水平和低垂直梯度的图像区域
'''
gradient=cv2.subtract(gradx,grady)
gradient=cv2.convertScaleAbs(gradient)
'''
利用9*9的内核对梯度图进行平均模糊处理
利用opencv中的threshold(src,threah，maxral,cv2.THRESH_BINARY)进行二值化处理。
第一个参数是图像,第二个参数是阈值,第三个是最大值,第四个是方法选择,默认为0,即cv2.THRESH_BINARY
'''
blurred=cv2.blur(gradient,(9,9))
(_,thresh)=cv2.threshold(blurred,225,255,cv2.THRESH_BINARY)
#消除间隙
kernel=cv2.getStructuringElement(cv2.MORPH_RECT,(21,7))
closed=cv2.morphologyEx(thresh,cv2.MORPH_CLOSE,kernel)
'''
进行4次腐蚀,然后进行4次膨胀
'''
closed=cv2.erode(closed,None,iterations=4)
closed=cv2.dilate(closed,None,iterations=4)
#找到图像中条形码的区域
cnts=cv2.findContours(closed.copy(),cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)
cnts=cnts[0] if imutils.is_cv2() else cnts[1]
c=sorted(cnts,key=cv2.contourArea,reverse=True)[0]
#为最大轮廓确定最小边框
rect=cv2.minAreaRect(c)
box=cv2.cv.BoxPoints(rect) if imutils.is_cv2() else cv2.boxPoints(rect)
box=np.int0(box)
#显示检测到的条形码
cv2.drawContours(image,[box],-1,(0,255,0),3)
cv2.imshow('Barcode Detection',image)
cv2.waitKey(0)

from PIL import Image
import pytesseract
import cv2
threshold=140 #采用阈值分割法进行二值化，threshold为分割点
table=[]
for i in range(256):
    if i<threshold:
        table.append(0)
    else:
        table.append(1)
rap={'O':'0','I':'1','L':'1',
     'Z':'2','S':'8'};
def GetBarcode(name):
    im=Image.open(name)
    #im=cv2.imread(name)
    imgry=im.convert('L')#转换为灰度图像
   #imgry.save(name+'g') #保存图像
    out=imgry.point(table,'1') #图像二值化处理
    #out.save(name+'b')
    text=pytesseract.image_to_string(out)
#识别纠错处理
    text=text.strip()
    text=text.upper()
    for r in rap:
        text=text.replace(r,rap[r])
    return text
barcode=GetBarcode('D:\Image\\test.png')
print(barcode)

from aip import AipImageClassify  #导入通用物体识别引擎
APP_ID='30428562'
API_KEY='TNRLIT4ICRYFOcV0kewltQP7'
SECRET_KEY='HjPMiCW9tpAuNdVeA2KP2KuXdyg3zKiy'
client=AipImageClassify(APP_ID,API_KEY,SECRET_KEY) #构建识别与引擎对象
#读入图像
def get_file_content(filePath):
    with open(filePath,'rb') as fp:
        return fp.read()
image=get_file_content('D:\Image\insert.jpg')
ret=client.advancedGeneral(image) #调用通用物体识别接口并返回结果
print(ret)

#车牌识别
from aip import AipOcr
import cv2 as cv
import numpy as np
APP_ID='30429525'
API_KEY='gk5YyWAxggZGPmFtqGLQraeF'
SECRET_KEY='I0yINQbTicjmAWZDfA8mlFWbvGKMx5EX'
client=AipOcr(APP_ID,API_KEY,SECRET_KEY)
def get_file_content(filePath):
    with open(filePath,'rb') as fp:
        return fp.read()
image=get_file_content('D:\Image\\test1.jpeg')
options={}
options['multi_detect']='true' #支持多车牌识别
ret=client.licensePlate(image,options) #调用API进行车牌识别
result=ret['words_result'] #将车牌识别结果保存在字典中
img=cv.imread('D:\Image\\test1.jpeg')
for i in range(len(result)):
    plate_num=result[i]['number'] #显示被识别的车牌
    loc_coordinates=result[i]['vertexes_location'] #显示出车牌坐标
    print('Plate Number:',plate_num)
    print('Location',loc_coordinates)
    #用矩形来标记所识别的车牌的位置
    cv.rectangle(img,(np.int(loc_coordinates[0]['x']),np.int(loc_coordinates[0]['y'])),\
                 (0,255,0),2,cv.LINE_8,0)
    cv.imshow('result',img)
cv.waitKey(0)
cv.destroyAllWindows()