VS2013上编译并使用Tesseract3.0.3.中文识别技术

 

GitHub代码：https://github.com/tesseract-ocr/tesseract

知乎教程：https://zhuanlan.zhihu.com/p/23487530

  我们有时候会进行中文识别功能。比如识别验证码，比如通过关键字符串来定位某些控件。这都需要识别图片上的字符。对于英文字符，现在很多开源库都能够很好的进行识别，效果显著。但是对于中文识别，库非常少，而且准确度特别差。国内有很多工具能够很好识别中文，但都是收费的。而免费的开源库中，Tesseract是性价比最好的(注意3.0以上版本才支持中文识别)。虽然这个库识别率不高，但这个强大的库增加了自我学习的功能，可以训练库的中文识别能力。同时，我们可以通过其他的手段，比如文本要求必须使用印刷体，对图片进行灰度化，二值化，去除干扰区域来大幅提升中文的识别能力。

一。编译Tesseract库

  现在Tesseract官网上都可以下载。一种是下载一个安装程序，会安装到你电脑上，可以直接使用命令行来识别图片。但是你看不到源代码。另一个是下载源代码，自己进行编译，这样方便全面的去了解整个库的内容。但是编译Tesseract并不容易，首先这个库依赖了许多其他库，这些都要下载下来，初学者很容易搞混哪个才是真正的Tesseract库。其次，下载这些内容地址不一定在一起，需要去找。官网有好多页面的跳转，跳几次就糊涂了。

  最新版的Tesseract库要求最新版的Leptonica，这是个处理和分析图像的C开源库。同时这个库又要求最新版的zlib库，libpng库，libtiff库，libjpeg库，giflib库。Tesseract会提供一个已经编译过的Leptonica库，当然其他的依赖库自然也包含了。这样你就不会自己去设置VS了，因为比较繁琐。在Tesseract官网上，都有一步在C盘放置include和lib这两个文件，其实这里面就是这些依赖库的内容。

电脑上安装Git，安装SVN，安装VS2013

创建一个用来放置Tesseract工程的目录，我是在E盘创建了一个文件夹TesseractProject。在该文件夹上右键点击Git Bash Here，进入命令行。从Github上克隆Tessaeract所依赖的库：

git clone git://github.com/pvorb/tesseract-vs2013.git

打开VS 2013 Developer Command Prompt（在开始菜单里应该可以找到），切换到之前的代码目录，编译整个工程。

编译成功后便可以关闭命令行了。

现在开始编译Tesseract库，在E:\TesseractProject文件夹上右键点击Git Bash Here。输入命令：

svn checkout http://tesseract-ocr.googlecode.com/svn/trunk/ tesseract-ocr

开始克隆源代码，这里可能需要翻qiang下载，注意下。

现在Tesseract的源代码都下载好了。然后来生成VS2013的工程

现在将E:\TesseractProject\tesseract-vs2013\release\ 文件夹下的两个文件夹拷贝到E:\TesseractProject\下，这样代码目录就是这样了：

用VS2013打开E:\TesseractProject\tesseract-ocr\vs2013\tesseract.sln工程，重新编译整个解决方案。

可以根据需要配置32位或64位相应的静态或动态的链接版本。编译后可在E:\TesseractProject\tesseract-ocr\vs2013\bin\文件里查看。这里要说明一下，本地编译的时候可能有错误

解决方法参考下面：

编译后进入相应的文件夹，就可以看到生成的dll和exe文件了，然后拷贝到之前的lib文件中，就可以开始使用了：

二。使用Tesseract库

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

-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

Tesseract对英文识别的非常好，好多英文字体的解析几乎都是0错误。我们这里只对中文进行解析试验，首先要保证字体是印刷体，我们可以在word里面写几个字，然后截图保存，看看效果。

存在一定的误差。这里要注意，识别中文要用到相应的中文语言库，在代码目录tesseract-ocr\tessdata存放着所有用到的语言，但下载后是没有中文的，你需要去手动下载，然后放到这里目录里。同时还要注意，你要把tessdata这个目录写到环境变量TESSDATA_PREFIX里，不然会提示找不到的错误。

这里有个技巧，默认识别出来的文本是保存在txt里面，但如果我们想获取到文本的具体位置咋办？其实，只要在后面加个 hocr，生成出来的就是xml文件，里面包含的文本的位置信息。

三。提升识别率

  从上面的例子看到，即使是黑体放大，字间距拉大，还是会有些错误。那彩色图片上的干扰信息更多，错误率也较大。那如何提高错误率呢？

  第一个方法是对Tesseract进行训练，这方法适合于用到的汉字比较固定，比如我们只关注 确定，取消这样的字，那我们就可以将大量的不同写法字体训练进去，这样识别率就会提升了。关于如何操作自行百度。

  如果我们不确定识别的字体。那就只能在图片上进行处理。首先必须保证图片上的字体是印刷体，或者其他计算机容易识别的。其次，我们对图片进行灰度化，这样，字体信息就会变得清晰。灰度化后可以再来一次二值化，这样图片上只有两种颜色，字体识别更加准确。然后如果二值化后图片上会出现大片的空白区域，则想办法定位并去除。这样，中文的识别将极大提升。