Tesseract 源码分析

之前的OCRus开发工作告一段落，后端OCR识别利用开源OCR引擎Tesseract。对于论文类型的文档，字体标准，大小一致，识别率很高，根据UNLV的测试结果，Tesseract的准确率都在90%以上，但对OCRus面向的手机照片，识别准确率并不高，对一些图片基本不可用。虽然OCRus做了一些图片预处理的工作，希望在将图片送入Tesseract之前能够使图片更清晰，更利于识别，但对识别结果不好的图片，经过预处理步骤对准确率提升并不大。最近一直在看Tesseract源代码，希望从Tesseract源码入手，利用Ceiling Analysis的方法确定Tesseract识别的主要瓶颈，未来有针对性地改进Tesseract。

目录

源码分析环境部署

Tesseract 3.02 提供了Visual Studio 2008的工程项目，部署过程如下：

• Setting up Tesseract-OCR
• Building Tesseract-OCR

Tesseract 同时提供了一个Java UI来显示中间结果，部署过程如下：

• ViewerDebugging
  注意: Introduction里的piccolo版本说明有Bug，ScrollView源码里用的是1.2，用新版本piccolo无法运行，Github上的Tesseract项目已经修复此Bug。

程序入口点在api/tesseractmain.cpp中：

int main(int argc, char **argv) {
...
}

Tesseract设置了很多变量来控制中间结果是否输出，在以下代码：

if (!api.ProcessPages(image, NULL, 0, &text_out)) {
  fprintf(stderr, _("Error during processing.\n"));
}

之前加入下面代码：

api.SetVariable("tessedit_dump_pageseg_images", "true");    //show no lines and no image picture
api.SetVariable("textord_show_blobs", "true");  //show blobs result
api.SetVariable("textord_show_boxes", "true");  //show blobs' bounding boxes
api.SetVariable("textord_tabfind_show_blocks", "true"); //show candidate tab-stops and tab vectors
api.SetVariable("textord_tabfind_show_reject_blobs", "true");   //show rejected blobs
api.SetVariable("textord_tabfind_show_initial_partitions", "true"); //show initial partition