Tesseract-OCR引擎 入門

OCR(Optical Character Recognition):光學字元辨識,是指對圖片檔案中的文字進行分析識別，擷取的過程。

Tesseract：開源的OCR識別引擎，初期Tesseract引擎由HP實驗室研發，後來貢獻給了開源軟體業，後經由Google進行改進，消除bug，最佳化，重新發布。目前的版本為3.01.

項目地址為：http://code.google.com/p/tesseract-ocr

 

Windows 命令列使用Tesseract-OCR引擎識別驗證碼:

1、下載安裝Tesseract-OCR引擎(3.0版本+才支援中文識別)

tesseract-ocr-setup-3.01-1.exe

下載完後進行安裝,預設情況下安裝程式會給你配置系統內容變數,以指向安裝目錄（之後可以通過DOS介面在任意目錄運行tesseract）。安裝完成後目錄如下:

附錄:

 tessdata 目錄存放的是語言字型檔檔案，和在命令列介面中可能用到的參數所對應的檔案.  這個安裝程式預設包含了英文字型檔。

如果想能識別中文，可以到http://code.google.com/p/tesseract-ocr/downloads/list下載對應的語言的字型檔檔案. 

簡體中文字型檔檔案為:http://tesseract-ocr.googlecode.com/files/chi_sim.traineddata.gz 下載完成後解壓，然後將該檔案剪下到tessdata目錄下去就可以了。

 

2、使用Tessract-OCR引擎識別驗證碼

開啟DOS介面，輸入tesseract：

如果出現如上輸出，表示安裝正常。

我準備了一張驗證碼code.jpg放在D盤根目錄下，:

結果為:

 

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  輸出檔案名 -l 字型檔檔案 -psm pagesegmode 設定檔

例如：

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

-l chi_sim 表示用簡體中文字型檔（需要下載中文字型檔檔案，解壓後，存放到tessdata目錄下去,字型檔副檔名為  .raineddata 簡體中文字型檔檔案名稱為:  chi_sim.traineddata）

-psd 7 表示告訴tesseract code.jpg圖片是一行文本  這個參數可以減少識別錯誤率.  預設為 3

configfile 參數值為tessdata\configs 和  tessdata\tessconfigs 目錄下的檔案名稱

ps:紅色的-psm的原文章裡為-psd