Tesseract 介绍

Tesseract是一个开源的文本识别引擎，支持多种语言。4.0.0版本增加了LSTM神经网络。Tesseract最初是由惠普公司研发，2005年开源。

Tesseract安装

下载Tesseract的安装包，地址

安装过程：

1. 选择常用的数学公式包，其他的语言包可以先不勾选，后续需要时再下载。如果勾选了安装过程可能极慢甚至中断。

2. 设置环境变量

   设置TESSDATA_PREFIX环境变量到tesseract的data目录。

   

选择语言包：

使用Tesseract进行文本识别时，需要下载相应的语言包，如本文需要对中文进行识别在data下载chi_sim.traineddata放到TESSDATA_PREFIX目录下。

Tesseract中文识别

Tesseract没有提供图形界面，只能通过命令行或者编程语言来调用。

需要注意的是，在使用Tessearct对中文进行识别的时候需要指定使用的语言模型，否则会识别失败出现一堆乱码。

1. 命令行调用Tesseract

   tesseract 1.png result -l chi_sim   # -l 参数指定语言模型
   

2. python调用Tessearct

   使用python调用Tessearct需要首先安装两个python lib

   pip install pillow
   pip install pytesseract
   

   使用python调用Tessearct进行图片中文识别

   # coding = utf-8
   from PIL import Image
   import pytesseract
   image = Image.open("1.png")
   # 这里lang='chi_sim'参数很重要，意思是对中文进行识别，如果加这个参数默认应该是英文的，中文识别出来的是乱码
   text = pytesseract.image_to_string(image, lang='chi_sim')
   print(text)
   
   '''
   类似于
   919@400 ROK
   1X
   < Aah @ Fix
   arta
   ExT, 2%
   Med Ea
   BAAR ALFRE RIE tS
   | Be Be
   cai | = LRT +R
   '''
   

Reference

Python:文本识别抛弃pytesser，直接使用Tesseract - Penguin (polarxiong.com)

tesseract官方文档：Tesseract User Manual | tessdoc (tesseract-ocr.github.io)