tessaract ocr簡介

Tesseract的歷史
Tesseract是一個開源的OCR引擎，惠普公司的布裏斯托爾實驗室在1984-1994年開發完成。起初做爲惠普的平板掃描儀的文字識別引擎。Tesseract在1995年UNLV OCR字符識別準確性測試中拔得頭籌，受到普遍關注。後來HP放棄了OCR市場。在1994年之後，Tesseract的開發就中止了。

在2005年，HP將Tesseract貢獻給開源社區。美國內華達州信息技術研究所得到該源碼，同時，Google開始對Tesseract進行功能擴展及優化。目前，Tesseract做爲開源項目發佈在Google Project上，重獲新生。Tesseract的最新版本是3.02，它支持60種以上的語言，提供一個引擎和一個命令行工具，官方下載地址：谷震平的傳送門。

Tesseract架構解析
Tesseract引擎功能強大，歸納地能夠分爲兩部分：

圖片佈局分析
字符分割和識別
圖片佈局分析，是字符識別的準備工做。工做內容：經過一種混合的基於製表位檢測的頁面佈局分析方法，將圖像的表格、文本、圖片等內容進行區分。

字符分割和識別是整個Tesseract的設計目標，工做內容最爲複雜。首先是字符切割，Tesseract採用兩步走戰略：

利用字符間的間隔進行粗略的切分，獲得大部分的字符，同時也有粘連字符或者錯誤切分的字符。這裏會進行第一次字符識別，經過字符區域類型斷定，根據斷定結果對比字符庫識別字符。
根據識別出來的字符，進行粘連字符的分割，同時把錯誤分割的字符合並，完成字符的精細切分。
固然，還有另外一種說法—-細緻地能夠分爲四個部分：

1. 分析連通區域
2. 找到塊區域
3. 找文本行和單詞
4. 得出(識別)文本

 

 

                                            圖 Tesseract主要四個部分(僅表明谷震平我的觀點，請勿抄襲)

舉個詳細的例子：
PS：此例也是Ray Smith的文章(Adapting the Tesseract Open Source OCR Engine for Multilingual OCR)中給出的，具備表明性。

不想貼文字，直接上圖：

 

 

Tesseract的架構並非我這三言兩語能講清楚地，歡迎留言補充糾正！謝謝合做！

Tesseract實現原理
原理這塊至關複雜，這篇blog只談TessBaseAPI相關的東西。後續系列再撰文補充。

TessBaseAPI是Tesseract引擎的一個核心類，關於這個類的源代碼請戳這裏：谷震平的傳送門。咱們來理解下這個類函數的運做機制，藉此聯想下Tesseract引擎的實現原理。機制以下：

1. 調用Init()方法，即對引擎初始化
2. 調用setImage()方法，設置圖形流的信息
3. 經過getUTF8Text()方法得到text信息
4. 調用recognizedText類，判斷text的正確性，而後輸出。這裏，會調用自有的trim()方法和length()方法作一些相應的處理。