[轉]Tesseract-OCR (Tesseract的OCR引擎最先由HP實驗室於1985年開始研發)

標籤：

光學字元辨識(OCR,Optical Character Recognition)是指對文本資料進行掃描，然後對影像檔進行分析處理，擷取文字及版面資訊的過程。OCR技術非常專業，一般多是印刷、列印行業的從業人員使用，可以快速的將紙質資料轉換為電子資料。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，即使沒有推出單獨的OCR產品，但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體系統。對於我們程式員來說，一般用不到那麼進階的，主要在開發中能夠整合基本的OCR功能就可以了。這兩天我尋找了很多免費OCR軟體、類庫，特地整理一下，今天首先來談談Tesseract，下一次將討論下Onenote 2010中的OCR API實現。可以在這裡查看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 

 

1、Tesseract概述

Tesseract的OCR引擎最先由HP實驗室於1985年開始研發，至1995年時已經成為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也從此塵封。

數年以後，HP意識到，與其將Tesseract束之高閣，不如貢獻給開源軟體業，讓其重煥新生－－2005年，Tesseract由美國內華達州資訊技術研究所獲得，並求諸於Google對Tesseract進行改進、消除Bug、最佳化工作。

Tesseract目前已作為開源項目發布在Google Project，其項目首頁在這裡查看，其最新版本3.0已經支援中文OCR，並提供了一個命令列工具。本次我們來測試一下Tesseract 3.0，由於命令列對終端使用者不太友好，我用WPF簡單封裝了一下，就可以方便的進行中文OCR了。

 

1.1、首先到Tesseract項目首頁下載命令列工具、原始碼、中文語言套件：

 

1.2、命令列工具解壓縮後如下（不含1.jpg、1.txt）：

 

1.3、為了進行中文OCR，將簡體中文語言套件複製到【tessdata】目錄下：

 

1.4、在DOS下切換到Tesseract的命令列目錄，查看一下tesseract.exe的命令格式：

 

Imagename為待OCR的圖片，outputbase為OCR後的輸出檔案，預設是文字檔（.txt），lang為使用的語言套件，configfile為設定檔。

 

1.5、下面來測試一下，準備一張jpg格式的圖片，這裡我是放到了和Tesseract同一個目錄中：

 

輸入：tesseract.exe 1.jpg 1 -l chi_sim，然後斷行符號，幾秒鐘就OCR完成了：

這裡注意命令的格式：imagename要加上副檔名.jpg，輸出檔案和語言套件不需要加副檔名。

 

OCR結果：

 

可以看到結果不是很理想，中文識別還說的過去，但是英文、數字大都亂碼。不過作為老牌的OCR引擎，能做到這種程度已經相當不錯了，期待Google的後續升級吧，支援一下。

 

2、使用WPF封裝Tesseract命令列

2.1、鑒於命令列書寫容易出錯，且對終端使用者很不友好，我做了一個簡單的WPF小程式，將Tesseract的命令列封裝了一下：

 

左邊選擇圖片、預覽，右邊選擇輸出目錄，顯示OCR結果，支援本地及網狀圖片的預覽。

 

2.2、為了使得圖片預覽支援縮放、移動，原本打算使用微軟的Zoom It API，可惜不支援WPF，於是使用了一個第三方的類：

圖片縮放、移動工具類

 

 

 

2.3、除了使用滑鼠。還可以使用捲軸調節圖片預覽效果：

資料繫結

 

 

  

2.4、由於Tesseract命令列不支援直接OCR網狀圖片，故先下載：

圖片下載

 

 

  

2.5、使用Process來調用Tesseract命令列：

調用Tesseract命令列

 

 

  

2.6、測試本地圖片：

 

2.7、測試網狀圖片：

 

小結：

本次我們簡單討論了下Tesseract的用法，作為一款開源、免費的OCR引擎，能夠支援中文十分難得。雖然其識別效果不是很理想，但是對於要求不高的中小型項目來說，已經足夠用了。這裡有一份免費OCR工具列表，感興趣的朋友可以研究一下。下一次將測試一下Onenote 2010中OCR功能，以及如何調用其API，為項目所用。

 

[轉]Tesseract-OCR (Tesseract的OCR引擎最先由HP實驗室於1985年開始研發)