Tesseract的安裝測(cè)試使用

OCR開(kāi)源項(xiàng)目很多，給大家一個(gè)鏈接，這個(gè)鏈接列出了現(xiàn)有的比較出名的OCR開(kāi)源項(xiàng)目，鏈接如下：

https://en.wikipedia.org/wiki/Comparison_of_optical_character_recognition_software

從上面的排名可以看到，Tesseract是排在第一名的！所以下面就認(rèn)真學(xué)習(xí)一下Tesseract。首先介紹一下Tesseract，然后安裝，測(cè)試，了解其不足等等。

Tesseract的OCR引擎目前已作為開(kāi)源項(xiàng)目發(fā)布在Google Project，

其項(xiàng)目主頁(yè)在這里查看https://github.com/tesseract-ocr，

它支持中文OCR，并提供了一個(gè)命令行工具。python中對(duì)應(yīng)的包是

pytesseract. 通過(guò)這個(gè)工具我們可以識(shí)別圖片上的文字。

一 Tesseract的安裝測(cè)試使用

首先下載Tesseract在Windows下的安裝版。(因?yàn)樵趪?guó)外訪問(wèn)不了谷歌，所以別人***下載了下來(lái)，這里給大家百度網(wǎng)盤鏈接)

http://pan.baidu.com/s/1i56Uxlr

根據(jù)https://github.com/tesseract-ocr/tesseract/wiki，找到非官方的安裝包，好像只看到64位的安裝包http://digi.bib.uni-mannheim.de/tesseract/tesseract-ocr-setup-4.00.00dev.exe，下載后直接安裝即可，但是要記得你的安裝目錄，我們等會(huì)配置環(huán)境變量要用。

如果不是做英文的圖文識(shí)別，還需要下載其他語(yǔ)言的識(shí)別包https://github.com/tesseract-ocr/tesseract/wiki/Data-Files。

簡(jiǎn)體字識(shí)別包：https://raw.githubusercontent.com/tesseract-ocr/tessdata/4.00/chi_sim.traineddata

繁體字識(shí)別包：https://github.com/tesseract-ocr/tessdata/raw/4.0/chi_tra.traineddata

1.3 安裝Tesseract

下載Tesseract-OCR引擎，注意要3.0以上才支持中文哦，按照提示安裝就行。（此處附上windows 4.0的安裝過(guò)程）

既然是要訓(xùn)練中文，記得勾選 additional language data

找到中文簡(jiǎn)體和中文繁體，按需勾選，然后點(diǎn)下一步

可以先不勾選，因?yàn)檫@樣直接下載語(yǔ)言的包實(shí)在太慢。可以從網(wǎng)頁(yè)上直接下載語(yǔ)言包,然后等程序安裝好后，放入安裝目錄下tessdata目錄下面

下載下來(lái)之后一路Next安裝好，然后在開(kāi)始菜單找到其控制臺(tái)引導(dǎo)程序，如下圖所示

1.4 測(cè)試英文字符識(shí)別

上面的安裝包里自帶了已經(jīng)訓(xùn)練好的英文-拉丁文識(shí)別數(shù)據(jù)~所以我們先來(lái)測(cè)試一下英文字符的識(shí)別吧~識(shí)別圖像如下：

1.4.1把上面的圖片放到Tesseract的安裝目錄下，如下圖所示：

1.4.2打開(kāi)上面提到的控制臺(tái)窗口，如下圖所示：

1.4.3在窗口中輸入命令：“tesseract.exe 0.jpg 1”，并回車，如下圖所示：

01.jpg代表待識(shí)別的源文件，1代表輸出文件名，默認(rèn)輸出格式是txt文件格式！

注意，上面的 lang之前是-l 而不是-1！

1.4.4讓我們先查看一下01.jpg照片，如下圖：

1.4.5在安裝目錄下生成了1.txt文件，識(shí)別結(jié)果如下圖所示：