图片文字OCR识别-tesseract-ocr

 　　帮助文件：https://github.com/tesseract-ocr/tesseract/blob/master/doc/tesseract.1.asc

　　下载地址：https://github.com/tesseract-ocr/tesseract/wiki

　　如何使用提供的工具来训练Tesseract 4.00：https://github.com/tesseract-ocr/tesseract/wiki/TrainingTesseract-4.00

　　1、介绍

　　　　图片文字的OCR识别有一款开源原件tesseract-ocr,最初是在linux上，当然现在也有windows版本，现在发展到4.0版本。

　　2、下载tesseract-ocr

　　　　下载地址：https://github.com/tesseract-ocr/tesseract/wiki

　　　　里面有linux版本、macOS版本还有windows版本

　　　　下面下载windows版本，如下图：

　　　　

　　　　点击上面的链接，进入

　　　　

　　　　下载完成

　　　　

　　3、安装，设置环境变量

　　　　双击上的exe，进行安装

　　　　

　　　　

　　　　

　　　　

　　　　

　　　　

　　　　

　　　　安装完后打开软件坐在目录，这里我选择的是默认目录C:Program Files (x86)Tesseract-OCR

　　　　安装目录C:Program Files (x86)Tesseract-OCR，安装完成后，设置环境变量

　　　　

　　　　在系统变量下面点击新建，按照如图建一个变量如图

　　　　变量名TESSDATA_PREFIX，变量值：C:Program Files (x86)Tesseract-OCR essdata

　　　　

　　4、应用

　　　　经过上面的调整tesseract命令可以在任意目录调用了，下面是tessract应用实例

　　　　4.1、识别中文图片

　　　　

　　　　

　　　　识别结果：

　　　　

　　　　命令：tesseract 中文.png log -l chi_sim

　　　　把图片文件上的中文字符识别出来，写到log文本文件里面

 　　　4.2、识别英文图片

　　　　tesseract.exe 英文.png log -l eng

 　　　　

　　　　

　　　

　　　　识别结果：

　　　　

　　　　4.3、识别中英文混合

　　　　tesseract.exe 中文-英文-混合.png log -l chi_sim+eng

 　　　　识别结果效果，中文部分不好

　　　　

 　　　　

　　　　如果用 tesseract 中文-英文-混合.png log -l chi_sim

　　　　识别结果：显示中文识别比较好，但是因为有出息识别成中文的情况

　　　　

　　　　

　　　　4.4、识别简单数字

　　　　

　　　　

　　　　tesseract num.png log -l chi_sim
　　　　tesseract num.png log -l eng

　　　　都可以正常识别

　　　　如下面复杂的识别码就识别不了

　　　　

 　　　

　　　　

　　　　总结：在识别只包含英文和数字的图片可以用简单的命令：

　　　　　　　　tesseract num.png log

　　　　　　　　如果包含中文的必须指定中文库：chi_sim

　　　　　　　　tesseract num1.png log -l chi_sim

　　　

　　　附录:

　　　　Usage:tesseract imagename outputbase [-l lang] [-psm pagesegmode] [configfile...]
　　　　pagesegmode values are:
　　　　0 = Orientation and script detection (OSD) only.
　　　　1 = Automatic page segmentation with OSD.
　　　　2 = Automatic page segmentation, but no OSD, or OCR
　　　　3 = Fully automatic page segmentation, but no OSD. (Default)
　　　　4 = Assume a single column of text of variable sizes.
　　　　5 = Assume a single uniform block of vertically aligned text.
　　　　6 = Assume a single uniform block of text.
　　　　7 = Treat the image as a single text line.
　　　　8 = Treat the image as a single word.
　　　　9 = Treat the image as a single word in a circle.
　　　　10 = Treat the image as a single character.
　　　　-l lang and/or -psm pagesegmode must occur before anyconfigfile.

　　　　tesseract imagename outputbase [-l lang] [-psm pagesegmode] [configfile...]

　　　　tesseract    图片名  输出文件名 -l 字库文件 -psm pagesegmode 配置文件

　　　　例如：

　　　　tesseract code.jpg result  -l chi_sim -psm 7 nobatch

　　　　-l chi_sim 表示用简体中文字库（需要下载中文字库文件，解压后，存放到tessdata目录下去,字库文件扩展名为  .raineddata 简体中文字库文件名为:  chi_sim.traineddata）

　　　　-psm 7 表示告诉tesseract code.jpg图片是一行文本  这个参数可以减少识别错误率.  默认为 3

　　　　configfile 参数值为tessdataconfigs 和  tessdata essconfigs 目录下的文件名