通过Tesseract实现简单的OCR

Tesseract 简介

　　Tesseract 的 OCR 引擎最先由 HP 实验室于 1985 年开始研发，至 1995 年时已经成为 OCR 业内最准确的三款识别引擎之一。然而，HP 不久便决定放弃 OCR 业务，Tesseract 也从此尘封。

　　数年以后，HP 意识到，与其将 Tesseract 束之高阁，不如贡献给开源软件业，让其重焕新生。2005 年，Tesseract 由美国内华达州信息技术研究所获得，并求诸于 Google 对 Tesseract 进行改进、消除 Bug、优化工作。

　　目前 Tesseract 作为开源项目发布在 GitHub，其项目主页在这里查看，目前的新版本已经支持包括中文在内的超过 60 种语言的 OCR。

安装 Tesseract

注：因为众所周知的原因，Google 的相关网址需要翻墙访问。

1. Windows
   • 访问下载页面，名称为 tesseract-ocr-setup-3.XX.exe 就是 Tesseract 安装程序，下载并安装。
   • 下载需要的语言包，例如简体中文就是 tesseract-ocr-3.02.chi_sim.tar.gz ，将解压出的chi_sim.trainedata文件复制到tessdata目录下。程序运行必须包含英语语言包，若tessdata目录下没有eng.trainedata文件，请自行下载英语语言包。
2. Linux
   • 现在很多 Linux 软件仓库都已经包含 Tesseract 了，包名一般叫做 tesseract 或者 tesseract-ocr，搜索软件仓库并安装。
   • 访问下载页面，下载需要的语言包，例如简体中文就是 tesseract-ocr-XXX.chi_sim.tar.gz，将解压出的文件chi_sim.trainedata复制到tessdata目录下(一般为 /usr/share/tesseract-ocr/tessdata or /usr/share/tessdata)。程序运行必须包含英语语言包，若tessdata目录下没有eng.trainedata文件，请自行下载英语语言包。
3. Mac OS X
   • 下载并安装 MacPorts。
   • 使用命令sudo port install tesseract安装 tesseract。
   • 使用命令sudo port install tesseract-<langcode>安装语言包，各语言的 langcode 可以访问 MacPorts tesseract page 查看。
   • 当然也可以通过 Homebrew 安装tesseract：brew install tesseract。

使用 Tesseract

Tesseract 是一个命令行程序，命令格式为：

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

参数说明

　　imagename 就是要识别的图片文件的名称，outputbase 就是识别结果输出文件的名称。

　　lang 就是要识别的语言代码，例如英语为 eng、简体中文为 chi_sim 等等。可以同时识别多种语言，使用 “+” 相连，例如eng+chi_sim。缺省时识别英语。

　　pagesegmode 为识别的具体模式，具体包含以下模式：

• 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.

如果想要简单地识别一张名为 test.png 的图片并将结果保存至 out.txt 中：

tesseract test.png out

或者采用简体中文语言包识别

tesseract test.png out -l chi_sim

我尝试使用 Tesseract 识别下面这张图片：

使用 Tesseract 识别：

识别结果：

由此可见 Tesseract 对中文的识别很糟糕，毕竟它本来只是用来识别英语的，所以其他文字的识别率都比较差，特别是像汉字这种象形文字，必须要通过手动训练才能使用。可以参考另一篇文章《Tesseract训练》。

转载自http://xiaosheng.me/2015/12/18/article10/