[轉]淺談OCR之Tesseract

轉載請註明出處：http://www.cnblogs.com/brooks-dotnet/archive/2010/10/05/1844203.html 

淺談OCR之Tesseract

 

 

光學字符識別(OCR,Optical Character Recognition)是指對文本資料進行掃描，而後對圖像文件進行分析處理，獲取文字及版面信息的過程。OCR技術很是專業，通常可能是印刷、打印行業的從業人員使用，能夠快速的將紙質資料轉換爲電子資料。關於中文OCR，目前國內水平較高的有清華文通、漢王、尚書，其產品各有千秋，價格不菲。國外OCR發展較早，像一些大公司，如IBM、微軟、HP等，即便沒有推出單獨的OCR產品，可是他們的研發團隊早已掌握核心技術，將OCR功能植入了自身的軟件系統。對於咱們程序員來講，通常用不到那麼高級的，主要在開發中可以集成基本的OCR功能就能夠了。這兩天我查找了不少免費OCR軟件、類庫，特意整理一下，今天首先來談談Tesseract，下一次將討論下Onenote 2010中的OCR API實現。能夠在這裏查看OCR技術的發展簡史。

測試代碼下載

轉載請註明出處：http://www.cnblogs.com/brooks-dotnet/archive/2010/10/05/1844203.html 

 

一、Tesseract概述

Tesseract的OCR引擎最早由HP實驗室於1985年開始研發，至1995年時已經成爲OCR業內最準確的三款識別引擎之一。然而，HP不久便決定放棄OCR業務，Tesseract也今後塵封。

數年之後，HP意識到，與其將Tesseract束之高閣，不如貢獻給開源軟件業，讓其重煥新生－－2005年，Tesseract由美國內華達州信息技術研究所得到，並求諸於Google對Tesseract進行改進、消除Bug、優化工做。

Tesseract目前已做爲開源項目發佈在Google Project，其項目主頁在這裏查看，其最新版本3.0已經支持中文OCR，並提供了一個命令行工具。本次咱們來測試一下Tesseract 3.0，因爲命令行對最終用戶不太友好，我用WPF簡單封裝了一下，就能夠方便的進行中文OCR了。

 

1.一、首先到Tesseract項目主頁下載命令行工具、源代碼、中文語言包：

 

1.二、命令行工具解壓縮後以下（不含1.jpg、1.txt）：

 

1.三、爲了進行中文OCR，將簡體中文語言包複製到【tessdata】目錄下：

 

1.四、在DOS下切換到Tesseract的命令行目錄，查看一下tesseract.exe的命令格式：

 

Imagename爲待OCR的圖片，outputbase爲OCR後的輸出文件，默認是文本文件（.txt），lang爲使用的語言包，configfile爲配置文件。

 

1.五、下面來測試一下，準備一張jpg格式的圖片，這裏我是放到了和Tesseract同一個目錄中：

 

輸入：tesseract.exe 1.jpg 1 -l chi_sim，而後回車，幾秒鐘就OCR完成了：

這裏注意命令的格式：imagename要加上擴展名.jpg，輸出文件和語言包不須要加擴展名。

 

OCR結果：

 

能夠看到結果不是很理想，中文識別還說的過去，可是英文、數字大都亂碼。不過做爲老牌的OCR引擎，能作到這種程度已經至關不錯了，期待Google的後續升級吧，支持一下。

 

二、使用WPF封裝Tesseract命令行

2.一、鑑於命令行書寫容易出錯，且對最終用戶很不友好，我作了一個簡單的WPF小程序，將Tesseract的命令行封裝了一下：

 

左邊選擇圖片、預覽，右邊選擇輸出目錄，顯示OCR結果，支持本地及網絡圖片的預覽。

 

2.二、爲了使得圖片預覽支持縮放、移動，本來打算使用微軟的Zoom It API，惋惜不支持WPF，因而使用了一個第三方的類：

圖片縮放、移動工具類

 

 

 

2.三、除了使用鼠標。還能夠使用滾動條調節圖片預覽效果：

數據綁定

 

 

  

2.四、因爲Tesseract命令行不支持直接OCR網絡圖片，故先下載：

圖片下載

 

 

  

2.五、使用Process來調用Tesseract命令行：

調用Tesseract命令行

 

 

  

2.六、測試本地圖片：

 

2.七、測試網絡圖片：

 

小結：

本次咱們簡單討論了下Tesseract的用法，做爲一款開源、免費的OCR引擎，可以支持中文十分可貴。雖然其識別效果不是很理想，可是對於要求不高的中小型項目來講，已經足夠用了。這裏有一份免費OCR工具列表，感興趣的朋友能夠研究一下。下一次將測試一下Onenote 2010中OCR功能，以及如何調用其API，爲項目所用。