圖片文字OCR識別-tesseract-ocr

 　　幫助文件：https://github.com/tesseract-ocr/tesseract/blob/master/doc/tesseract.1.asc

　　下載地址：https://github.com/tesseract-ocr/tesseract/wiki

　　如何使用提供的工具來訓練Tesseract 4.00：https://github.com/tesseract-ocr/tesseract/wiki/TrainingTesseract-4.00

　　一、介紹

　　　　圖片文字的OCR識別有一款開源原件tesseract-ocr,最初是在linux上，固然如今也有windows版本，如今發展到4.0版本。

　　二、下載tesseract-ocr

　　　　下載地址：https://github.com/tesseract-ocr/tesseract/wiki

　　　　裏面有linux版本、macOS版本還有windows版本

　　　　下面下載windows版本，以下圖：

　　　　

　　　　點擊上面的連接，進入

　　　　

 

　　　　下載完成

　　　　

　　三、安裝，設置環境變量

　　　　雙擊上的exe，進行安裝

　　　　

　　　　

　　　　

　　　　

　　　　

　　　　

　　　　

　　　　安裝完後打開軟件坐在目錄，這裏我選擇的是默認目錄C:\Program Files (x86)\Tesseract-OCR

　　　　安裝目錄C:\Program Files (x86)\Tesseract-OCR，安裝完成後，設置環境變量

　　　　

　　　　在系統變量下面點擊新建，按照如圖建一個變量如圖

　　　　變量名TESSDATA_PREFIX，變量值：C:\Program Files (x86)\Tesseract-OCR\tessdata

　　　　

　　四、應用

　　　　通過上面的調整tesseract命令能夠在任意目錄調用了，下面是tessract應用實例

　　　　4.一、識別中文圖片

　　　　

　　　　

　　　　識別結果：

　　　　

 

 

　　　　命令：tesseract 中文.png log -l chi_sim

　　　　把圖片文件上的中文字符識別出來，寫到log文本文件裏面

 

 

 　　　4.二、識別英文圖片

　　　　tesseract.exe 英文.png log -l eng

 　　　　

　　　　

　　　

　　　　識別結果：

　　　　

 

　　　　4.三、識別中英文混合

　　　　tesseract.exe 中文-英文-混合.png log -l chi_sim+eng

 

 　　　　識別結果效果，中文部分很差

　　　　

 　　　　

　　　　若是用 tesseract 中文-英文-混合.png log -l chi_sim

　　　　識別結果：顯示中文識別比較好，可是由於有出息識別成中文的狀況

　　　　

 

　　　　

　　　　4.四、識別簡單數字

　　　　

　　　　

　　　　tesseract num.png log -l chi_sim
　　　　tesseract num.png log -l eng

　　　　均可以正常識別

　　　　以下面複雜的識別碼就識別不了

　　　　

 　　　

　　　　

　　　　總結：在識別只包含英文和數字的圖片能夠用簡單的命令：

　　　　　　　　tesseract num.png log

　　　　　　　　若是包含中文的必須指定中文庫：chi_sim

　　　　　　　　tesseract num1.png log -l chi_sim

　　　

　　　附錄:

　　　　Usage:tesseract imagename outputbase [-l lang] [-psm pagesegmode] [configfile...]
　　　　pagesegmode values are:
　　　　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.
　　　　-l lang and/or -psm pagesegmode must occur before anyconfigfile.

 

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

　　　　tesseract    圖片名  輸出文件名 -l 字庫文件 -psm pagesegmode 配置文件

　　　　例如：

　　　　tesseract code.jpg result  -l chi_sim -psm 7 nobatch

　　　　-l chi_sim 表示用簡體中文字庫（須要下載中文字庫文件，解壓後，存放到tessdata目錄下去,字庫文件擴展名爲  .raineddata 簡體中文字庫文件名爲:  chi_sim.traineddata）

　　　　-psm 7 表示告訴tesseract code.jpg圖片是一行文本  這個參數能夠減小識別錯誤率.  默認爲 3

　　　　configfile 參數值爲tessdata\configs 和  tessdata\tessconfigs 目錄下的文件名