Python_文字識別引擎試用：tesseract-ocr

   tesseract-ocr是一 個OCR引擎，在1985年到1995年由HP實驗室開發，後來由google開發並且開源，支援多平台，支援多達40種語言，其中包括中文，支援訓練，tesseract-ocr是一個命令列程式，但是也提供多種語言的封裝器，如.Net
、Python、Ruby、C、Java，方便整合到程式中使用。

命令列調用很簡單：

tesseract.exe <image> <outputName> [-l lang] [configs]

<image>：要識別的圖片路徑

<outputName>：命令列模式下，tesseract會把識別出來的文字結果儲存在一個文字檔中，outputName是該檔案的名字，如果值為“lixin”，那麼結果會儲存在程式根目錄下的lixin.txt檔案中。

[-l lang]：預設情況下內建了英文的字典，如果想識別中文或者其他語言，需要在下載相應的語言套件，並存放在程式“/tessdata”目錄下，例如我下載了一個簡體中文包，檔案名稱為“chi_sim.traineddata”，解壓到“tessdata”目錄下，然後該值為：“-l chi_sim”。

[configs]：配置項。

調用的例子： tesseract.exe d:\test.jpg resultFile –l chi_sim

        經過測試，英文的識別率還是比較高的，但在字型比較小的情況下，識別率很差，我在記事本上輸入自己的手機號碼，10px字型，然後測試，發現識別錯誤，接著我把原圖進行放大到200%，再進行測試，則識別正確；測試中文時，識別率沒有英文高，而且同樣存在字型不夠大時識別錯誤率高，通過放大圖片或者字型均能提高識別率，常規的驗證碼識別沒問題，但是連體字元則無法識別