Tesseract的安裝測試使用

OCR開源項目很多，給大家一個鏈接，這個鏈接列出了現(xiàn)有的比較出名的OCR開源項目，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！所以下面就認真學習一下Tesseract。首先介紹一下Tesseract，然后安裝，測試，了解其不足等等。

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

其項目主頁在這里查看https://github.com/tesseract-ocr，

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

pytesseract. 通過這個工具我們可以識別圖片上的文字。

一 Tesseract的安裝測試使用

首先下載Tesseract在Windows下的安裝版。(因為在國外訪問不了谷歌，所以別人***下載了下來，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，我們等會配置環(huán)境變量要用。

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

簡體字識別包：https://raw.githubusercontent.com/tesseract-ocr/tessdata/4.00/chi_sim.traineddata

繁體字識別包：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的安裝過程）

既然是要訓練中文，記得勾選 additional language data

找到中文簡體和中文繁體，按需勾選，然后點下一步

可以先不勾選，因為這樣直接下載語言的包實在太慢?？梢詮木W(wǎng)頁上直接下載語言包,然后等程序安裝好后，放入安裝目錄下tessdata目錄下面

下載下來之后一路Next安裝好，然后在開始菜單找到其控制臺引導程序，如下圖所示

1.4 測試英文字符識別

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

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打開上面提到的控制臺窗口，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代表待識別的源文件，1代表輸出文件名，默認輸出格式是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，識別結(jié)果如下圖所示：