Windows上使用Tesseract-ocr识别藏文、天城体梵文

 

Tesseract-ocr可以OCR识别藏文、梵文,识别为Unicode字符,效果还不错

 

1、下载Windows安装版


Windows安装版地址:
https://github.com/UB-Mannheim/tesseract/wiki

Windows上使用Tesseract-ocr识别藏文、天城体梵文

 

 

所有版本下载地址:

https://digi.bib.uni-mannheim.de/tesseract/

推荐使用5.0版本,4.0版本支持API,编程需要4.0版本。

2、下载识别文件包
https://tesseract-ocr.github.io/tessdoc/Data-Files

有普通、best、fast三种模式可选,下载相应traineddata数据。可以下载4.0的数据。

Windows上使用Tesseract-ocr识别藏文、天城体梵文

 

 Windows上使用Tesseract-ocr识别藏文、天城体梵文

 

 

 

还有很多其他语言,可以去探索。

注:汉语、日语、韩语等语言,Finereader的OCR效果要比Tesseract-ocr强很多,但是Finereader是收费的。西方语言还可以选用OmniPage,但是OmniPage也是收费的。网上有破解版,但是现在越来越不少找了。



3、配置TESSDATA_PREFIX变量
参考网页:https://blog.csdn.net/weixin_41982136/article/details/82747499

如将traineddata拷贝至C:\Program Files\Tesseract-OCR\tessdata,则将TESSDATA_PREFIX设置为C:\Program Files\Tesseract-OCR\tessdata

Windows上使用Tesseract-ocr识别藏文、天城体梵文

 

 


4、在命令行下使用

Windows上使用Tesseract-ocr识别藏文、天城体梵文

 

 

参考网页:

https://tesseract-ocr.github.io/tessdoc/Command-Line-Usage.html

识别藏文

tesseract 藏文图片  保存地址  -l bod

识别梵文

tesseract 梵文图片  保存地址  -l san


cmd示例:

进入安装目录
cd C:\Program Files\Tesseract-OCR

测试语言安装是否正确,有哪些训练语言
tesseract --list-langs

识别一张图片
tesseract tib_001.jpg D:\tib_001 -l bod

经测试,识别铅字印刷的图片,效果还可以。

经过优化处理的图片,可以显著提高识别率,参见:

https://tesseract-ocr.github.io/tessdoc/ImproveQuality.html

处理图片推荐使用老马软件ComicEnhancerPro。

老马的博客地址:https://www.cnblogs.com/stronghorse/

Windows上使用Tesseract-ocr识别藏文、天城体梵文

上一篇:VirtualBox下Win7下CPU高占用的一次故障解决


下一篇:Win10最常用的快捷键,效率Max提高100%(常用的应该是最全的)