[转]Tesseract-OCR学习系列

转载地址：http://www.jianshu.com/p/a53c732d8da3

Tesseract-OCR学习系列（三）简例

Tesseract API Basic Example using CMake Configuration

参考文档：https://github.com/tesseract-ocr/tesseract/wiki/APIExample

Tesseract提供的API可以在baseapi.h文件中找到。然而，如果没有个示例带我们飞一会儿，也是颇难搞懂到底该怎么调用tesseract的api。

我们知道，如果要调用一个第三方的库，那我们需要在工程的属性中增加：

1. 第三方库头文件的位置。
2. 第三方库库文件的位置。
3. 第三方库中，需要链接的lib文件的文件名。

而且，Debug和Release需要分开来配置。手动配置真的是麻烦极了。而且，即使你配置好了，如果你第三方库的位置改变了，那对不起，请重新配置；如果你要把工程给别人来使用，而别人的第三方库所放的位置与你所放的不同，对不起，需要重新配置；如果你想要换一个操作系统进行开发，对不起，请重新配置！那有没有办法可以绕过这些麻烦事，使得只用麻烦一次，以后永远简单呢？答案是有。工具就是CMake。可参看我的另一篇文章：CMake简要教程。这里，我给大家举例介绍，如何使用CMake来添加第三方库。

首先，我们需要将第三方库Tesseract所提供的东西集中存放。比如，我在F盘的extralib中建立了一个Tesseract文件夹。文件夹中，有bin文件夹include文件夹，lib文件夹，以及tessdata文件夹。其中：

• bin：存放.dll文件。
• include：存放.h文件。
• lib：存放.lib文件。
• tessdata：存放.traineddata文件。

bin文件夹

include文件夹

其中，tesseract的.h文件比较分散。我是直接在原来的tessract中搜索所有的.h文件，然后再拷贝到这边来的。

lib文件夹

tessdata文件夹

其中，chi_sim代表简体中文，eng就不用说了，代表英文。tessdata文件夹中的内容可以在官方网站中下载到。

好了，现在有了这样一个文件夹，我们下面的目标是让CMake可以找到这些文件夹。为了达到这个目的，首先需要自己写名为TesseractConfig.cmake一个文件，放在刚刚建立的tesseract文件夹中。所以，tesseract文件夹最终看起来是这个样子的：

tesseract文件夹

如果CMake能找到TesseractConfig.cmake这个文件，就可以通过find_package函数来找到Tesseract的各个文件夹的路径了。但问题是，CMake如何找到TesseractConfig.cmake这个文件呢？在Windows操作系统的环境下，有两种方法：

1. 将TesseractConfig.cmake这个文件所在的文件夹路径添加到系统环境变量的Path中。
2. 在CMake的GUI界面中手动配置。

在正式介绍之前，先来看一看TesseractConfig.cmake中该怎么写：

# ===================================================================================
#  The Tesseract CMake configuration file
#
#  Usage from an external project:
#    In your CMakeLists.txt, add these lines:
#
#    FIND_PACKAGE(Tesseract REQUIRED)
#    TARGET_LINK_LIBRARIES(MY_TARGET_NAME ${Tesseract_LIBS})
#
#    This file will define the following variables:
#      - Tesseract_LIBS                     : The list of libraries to link against.
#      - Tesseract_LIB_DIR                  : The directory(es) where lib files are. Calling 
#                                             LINK_DIRECTORIES with this path is NOT needed.
#      - Tesseract_INCLUDE_DIRS             : The Tesseract include directories.
#      - Tesseract_VERSION                  : The version of this Tesseract build. Example: "2.4.0"
#      - Tesseract_VERSION_MAJOR            : Major version part of Tesseract_VERSION. Example: "2"
#      - Tesseract_VERSION_MINOR            : Minor version part of Tesseract_VERSION. Example: "4"
#      - Tesseract_VERSION_PATCH            : Patch version part of Tesseract_VERSION. Example: "0"
#
#    Advanced variables:
#      - Tesseract_CONFIG_PATH
#
# ===================================================================================

set(Tesseract_VERSION_MAJOR 3)
set(Tesseract_VERSION_MINOR 4)
set(Tesseract_VERSION_PATCH 1)
set(Tesseract_VERSION ${Tesseract_VERSION_MAJOR}.${Tesseract_VERSION_MINOR}.${Tesseract_VERSION_PATCH})

get_filename_component(Tesseract_CONFIG_PATH "${CMAKE_CURRENT_LIST_FILE}" PATH CACHE)
set(Tesseract_LIB_DIR "${Tesseract_CONFIG_PATH}/lib")
set(Tesseract_INCLUDE_DIRS "${Tesseract_CONFIG_PATH}/include")

set(Tesseract_LIBS_DBG "liblept171d.lib" "libtesseract304d.lib")
set(Tesseract_LIBS_OPT "liblept171.lib" "libtesseract304.lib")
foreach(__tesslib ${Tesseract_LIBS_DBG})
  list(APPEND Tesseract_LIBS debug "${Tesseract_LIB_DIR}/${__tesslib}")
endforeach()
foreach(__tesslib ${Tesseract_LIBS_OPT})
  list(APPEND Tesseract_LIBS optimized "${Tesseract_LIB_DIR}/${__tesslib}")
endforeach()

set(Tesseract_FOUND TRUE CACHE BOOL "" FORCE)

好了，准备工作到此为之，接下来我们可以开始正式地构建示例程序Basic-example了。首先新建文件夹samples。然后在samples文件夹中新建文件夹Basic-example，新建文件CMakeLists.txt。

samples文件夹

这里的CMakeLists.txt可以很简单（当然也可以很复杂，但作为示例，理当简单一点）。

cmake_minimum_required(VERSION 3.0)
project(tesseract-api-examples)
add_subdirectory(Basic-example)

第一句话表示，cmake的版本号最小为3.0（低于cmake 3.0则无法构建）。第二句话表示构建一个解决方案，名字叫做tesseract-api-examples。第三句表示添加子目录Basic-example。添加子目录的意思，其实是开始执行子目录中的CMakeLists.txt。所以，如果想通过add_subdirectory添加子目录，那就必须保证这个子目录中有CMakeLists.txt这个文件。

现在，我们进入Basic-example文件夹中，新建两个文件：Basic-example.cpp以及CMakeLists.txt

在Basic-example.cpp中，我们将官网上提供的代码粘上来：

#include <tesseract/baseapi.h>
#include <leptonica/allheaders.h>

int main()
{
    char *outText;

    tesseract::TessBaseAPI *api = new tesseract::TessBaseAPI();
    // Initialize tesseract-ocr with English, without specifying tessdata path
    if (api->Init(NULL, "eng")){
        fprintf(stderr, "Could not initialize tesseract.
");
        exit(1);
    }

    // Open input image with leptonica library
    Pix *image = pixRead("D:\open_source\tesseract-3.04.01\tesseract\testing\phototest.tif");
    api->SetImage(image);
    // Get OCR result
    outText = api->GetUTF8Text();
    printf("OCR output:
%s", outText);

    // Destroy used object and release memory
    api->End();
    delete [] outText;
    pixDestroy(&image);

    return 0;
}

而在CMakeLists.txt中，可以用6句话来完成：

set(the_target "Basic-example")
find_package(Tesseract REQUIRED)
aux_source_directory(. SRC_LIST)
include_directories(${Tesseract_INCLUDE_DIRS})
add_executable(${the_target} ${SRC_LIST})
target_link_libraries(${the_target} ${Tesseract_LIBS})

其中，

• 第一行设定the_target名为"Basic-example"。
• 第二行寻找Tesseract第三方库。
• 第三行寻找当前文件夹下的所有.c文件和.cpp文件，并把文件名放在SRC_LIST中。
• 第四行添加第三方库目录Tesseract_INCLUDE_DIRS。
• 第五行设定项目Basic-example的生成目标是一个可执行文件。
• 第六行添加依赖的第三方库。

好了，一切准备就绪，就差构建了！打开CMake-GUI软件。

设定cmake的源路径和目标路径。如果对这两个路径不是很清楚的，还是请移步CMake简要教程。

点击config

出现一个选框，选择你所使用的C++编译器。我使用的是VS2012。点击Finish。

在一段时间的等待之后，出现如下的界面：

注意Tesseract_DIR那一行。我这边自动找到了。那是因为这个我已经把这个路径放置到环境变量的Path中了。你可以选择将你的路径放置到环境变量中，也可以在这里手动选择这个目录。如果是通过手动选择的方式，那么这个目录会保存在Cache中，下次配置也不需要再次选择了。

再次点击Configure。

红色条带消失，消息栏显示Configuring done。此时，点击Generate。

生成成功！接下来，就可以打开build文件夹下面的tesseract-api-examples.sln这一工程文件了。

将Basic-example设为启动项。生成，成功！

运行！啊哦！

唉，不好意思，太激动了，脑残了一把！我们现在还需要将Tesseract的bin文件夹放到环境变量的Path中，这样，程序才能找到dll文件。

现在可以开始调试程序了。

phototest.tif

OK。运行程序。

成功执行~

我们再回过头来看一看这个示例程序。看看它做了一些什么事。

#include <tesseract/baseapi.h>
#include <leptonica/allheaders.h>

int main()
{
    char *outText;

    tesseract::TessBaseAPI *api = new tesseract::TessBaseAPI();
    // Initialize tesseract-ocr with English, without specifying tessdata path
    if (api->Init(NULL, "eng")){
        fprintf(stderr, "Could not initialize tesseract.
");
        exit(1);
    }

    // Open input image with leptonica library
    Pix *image = pixRead("D:\open_source\tesseract-3.04.01\tesseract\testing\phototest.tif");
    api->SetImage(image);
    // Get OCR result
    outText = api->GetUTF8Text();
    printf("OCR output:
%s", outText);

    // Destroy used object and release memory
    api->End();
    delete [] outText;
    pixDestroy(&image);

    return 0;
}

首先包含了两个头文件：

#include <tesseract/baseapi.h>
#include <leptonica/allheaders.h>

这其实说明了，这个示例程序用到了两个库。一个是tesseract，一个是leptonica。tesseract用来做OCR。leptonica可以处理基本的图像处理的需求。

接下来，在main函数中，定义了一个对象：

tesseract::TessBaseAPI *api = new tesseract::TessBaseAPI();

其中，tesseract是命名空间。TessBaseAPI是一个类名。这个类的注释是这么写的：

/**
* Base class for all tesseract APIs.
* Specific classes can add ability to work on different inputs or produce
* different outputs.
* This class is mostly an interface layer on top of the Tesseract instance
* class to hide the data types so that users of this class don't have to
* include any other Tesseract headers.
*/

也就是说：

所有的tesseract的API都在这个类中。

所以，如果我们把这个类搞明白了，也就知道Tesseract的API的所有调用方法了。好事啊~这个类一会儿再回过来看。先把代码读完。

    // Initialize tesseract-ocr with English, without specifying tessdata path
    if (api->Init(NULL, "eng")){
        fprintf(stderr, "Could not initialize tesseract.
");
        exit(1);
    }

来看一看Init的注释~

/**
   * Instances are now mostly thread-safe and totally independent,
   * but some global parameters remain. Basically it is safe to use multiple
   * TessBaseAPIs in different threads in parallel, UNLESS:
   * you use SetVariable on some of the Params in classify and textord.
   * If you do, then the effect will be to change it for all your instances.
   *
   * Start tesseract. Returns zero on success and -1 on failure.
   * NOTE that the only members that may be called before Init are those
   * listed above here in the class definition.
   *
   * The datapath must be the name of the parent directory of tessdata and
   * must end in / . Any name after the last / will be stripped.
   * The language is (usually) an ISO 639-3 string or NULL will default to eng.
   * It is entirely safe (and eventually will be efficient too) to call
   * Init multiple times on the same instance to change language, or just
   * to reset the classifier.
   * The language may be a string of the form [~]<lang>[+[~]<lang>]* indicating
   * that multiple languages are to be loaded. Eg hin+eng will load Hindi and
   * English. Languages may specify internally that they want to be loaded
   * with one or more other languages, so the ~ sign is available to override
   * that. Eg if hin were set to load eng by default, then hin+~eng would force
   * loading only hin. The number of loaded languages is limited only by
   * memory, with the caveat that loading additional languages will impact
   * both speed and accuracy, as there is more work to do to decide on the
   * applicable language, and there is more chance of hallucinating incorrect
   * words.
   * WARNING: On changing languages, all Tesseract parameters are reset
   * back to their default values. (Which may vary between languages.)
   * If you have a rare need to set a Variable that controls
   * initialization for a second call to Init you should explicitly
   * call End() and then use SetVariable before Init. This is only a very
   * rare use case, since there are very few uses that require any parameters
   * to be set before Init.
   *
   * If set_only_non_debug_params is true, only params that do not contain
   * "debug" in the name will be set.
   */

看着这么长的英文估计还挺累，不如我来翻译一下：

实例大多数情况下是线程安全的，并且是完全独立的。但是仍然保留了一些全局参量。基本上在不同的线程中并行地使用多个TessBaseAPIs是安全的，除非：你使用了SetVariable改变了某些参数的值。如果你这么做了，那么你所有的实例的效果都会为之发生改变。

启动tesseract。如果成功返回0，如果失败返回-1。注意能在Init方法前面调用的成员函数是那些在类定义中列在Init之前的那些函数。

datapath必须为tessdata的父目录，并且必须以/终止。最后一个/后面所出现的字符将被全部删除。language参数通常是一个ISO639-3的字符串，如果是NULL将被默认设置为eng。在单个实例中，多次调用Init方法来改变语言或重置分类器是没有问题的，（并且会逐渐变地更快速）。

language参数可以写成[~]<lang>[+[~]<lang>]*的形式，即表明可以加载多种语言。例如hin+eng会加载北印度语和英语。Languages可以在内部被设置为一种或多种语言，因此~符号可以用来覆盖。例如，如果hin被设置为默认加载eng，则hin+~eng会强制只加载hin。可以被加载的语言的数量仅仅由内存限制，但是加载多种语言会同时影响速度和准确率。因为这需要更多的工作来决定它是哪种语言，并且更有可能产生错误。

警告：一旦改变语言，所有的Tesseract参数被重置为默认值。（每种语言可能不一样。）

再接着看代码：

    // Open input image with leptonica library
    Pix *image = pixRead("D:\open_source\tesseract-3.04.01\tesseract\testing\phototest.tif");

pixRead是Leptonica的函数，它读取一张图片，并将图片的结果保存在Pix结构体中。

    api->SetImage(image);

SetImage函数为Tesseract提供去识别的图片。

    // Get OCR result
    outText = api->GetUTF8Text();

GetUTF8Text函数识别图片中的文字，并返回char*数组。

    // Destroy used object and release memory
    api->End();
    delete [] outText;
    pixDestroy(&image);

最后一部分是释放和销毁。

关于End方法，代码中的注释是这么写的

  /**
   * Close down tesseract and free up all memory. End() is equivalent to
   * destructing and reconstructing your TessBaseAPI.
   * Once End() has been used, none of the other API functions may be used
   * other than Init and anything declared above it in the class definition.
   */
  void End();

最后释放数组和图像。合情合理，没有什么好说的。

如果需要完整的示例文件及CMakeLists.txt，可以点击此处下载。