字符识别软件tesseract-ocr v5.1.0下载安装及简单使用（Win10）

Tesseract是github上的OCR（optical character recognition，光学字符识别）开源库，可将包含文本的图像识别为计算机文字（计算机黑白点阵）。图像中的文本一般为印刷体文本。

下载

GitHub网址：

GitHub - tesseract-ocr/tesseract: Tesseract Open Source OCR Engine (main repository) 

 

点击页面链接“Install Tesseract via pre-built binary package”，进入网页 Tesseract User Manual | tessdoc 

 

最终下载网址： https://github.com/UB-Mannheim/tesseract/wiki 

 

点击下载得到文件“tesseract-ocr-w64-setup-v5.1.0.20220510.exe”，

 

安装

以管理员身份运行下载的exe文件，即开始安装。

没有中文，只好选择英文。

 

 

 

 

 

 安装目录指定为： d:\Programs\Tesseract-OCR

 

 

点击“Finish”按钮，即可完成安装。

在开始菜单中新增了下图所示的条目：

安装目录中的文件及文件夹如下图所示

 

简单的使用

命令行启动

从开始菜单的Tesseract-OCR文件夹中，点击Console，启动命令行窗口。键入命令tesseract，会显示相关提示信息：

可使用命令“tesseract --help-extra”显示更详细的帮助信息。

基本语法命令

进行文字识别的基本命令语法如下：

tesseract imagename outputbase [-l lang] [--oem ocrenginemode] [--psm pagesegmode] [configfiles...]

详细用法可参考网页： Command Line Usage | tessdoc 

识别图片中的英文字母和数字

将图片

保存为文件“D:\temp\abcdef.png”，使用命令

tesseract d:\temp\abcdef.png stdout

进行识别，结果如下图所示：

 

 

可以看出，识别程序的识别结果正确。

不能识别图片中的简体中文（因训练好的数据不能下载）

上述软件安装过程中，并未安装简体中文的训练数据集。

已有的训练数据集可使用命令“tesseract --list-langs”查看，也可直接在目录“D:\Programs\Tesseract-OCR\tessdata”中查看扩展名为traineddata的文件。

为了识别简体中文，需要从“ https://github.com/tesseract-ocr/tessdata_best ”下载相关文件，如下图所示：

 

点击上图中红框内的文件，进入网页 “ https://github.com/tesseract-ocr/tessdata_best/blob/main/chi_sim.traineddata  ”，

 

但是不知道为什么不能下载，所以，暂时不能识别中文。

相关参考网页：

使用Tesseract做文字识别（OCR） - 知乎

基于tesseract-OCR进行中文识别 - 走看看