帮助文件:https://github.com/tesseract-ocr/tesseract/blob/master/doc/tesseract.1.asc
下载地址:https://github.com/tesseract-ocr/tesseract/wiki
如何使用提供的工具来训练Tesseract 4.00:https://github.com/tesseract-ocr/tesseract/wiki/TrainingTesseract-4.00
1、介绍
图片文字的OCR识别有一款开源原件tesseract-ocr,最初是在linux上,当然现在也有windows版本,现在发展到4.0版本。
2、下载tesseract-ocr
下载地址:https://github.com/tesseract-ocr/tesseract/wiki
里面有linux版本、macOS版本还有windows版本
下面下载windows版本,如下图:
点击上面的链接,进入
下载完成
3、安装,设置环境变量
双击上的exe,进行安装
安装完后打开软件坐在目录,这里我选择的是默认目录C:\Program Files (x86)\Tesseract-OCR
安装目录C:\Program Files (x86)\Tesseract-OCR,安装完成后,设置环境变量
在系统变量下面点击新建,按照如图建一个变量如图
变量名TESSDATA_PREFIX,变量值:C:\Program Files (x86)\Tesseract-OCR\tessdata
4、应用
经过上面的调整tesseract命令可以在任意目录调用了,下面是tessract应用实例
4.1、识别中文图片
识别结果:
命令:tesseract 中文.png log -l chi_sim
把图片文件上的中文字符识别出来,写到log文本文件里面
4.2、识别英文图片
tesseract.exe 英文.png log -l eng
识别结果:
4.3、识别中英文混合
tesseract.exe 中文-英文-混合.png log -l chi_sim+eng
识别结果效果,中文部分不好
如果用 tesseract 中文-英文-混合.png log -l chi_sim
识别结果:显示中文识别比较好,但是因为有出息识别成中文的情况
4.4、识别简单数字
tesseract num.png log -l chi_sim
tesseract num.png log -l eng
都可以正常识别
如下面复杂的识别码就识别不了
总结:在识别只包含英文和数字的图片可以用简单的命令:
tesseract num.png log
如果包含中文的必须指定中文库:chi_sim
tesseract num1.png log -l chi_sim
附录:
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 图片名 输出文件名 -l 字库文件 -psm pagesegmode 配置文件
例如:
tesseract code.jpg result -l chi_sim -psm 7 nobatch
-l chi_sim 表示用简体中文字库(需要下载中文字库文件,解压后,存放到tessdata目录下去,字库文件扩展名为 .raineddata 简体中文字库文件名为: chi_sim.traineddata)
-psm 7 表示告诉tesseract code.jpg图片是一行文本 这个参数可以减少识别错误率. 默认为 3
configfile 参数值为tessdata\configs 和 tessdata\tessconfigs 目录下的文件名