ocr的使用

---

前言

在本次项目中希望使用ocr来实现对图片的识别，我选择的是开源的Tesseract-OCR。

一、简介

OCR （Optical Character Recognition，光学字符识别）是指电子设备（例如扫描仪或数码相机）检查纸上打印的字符，通过检测暗、亮的模式确定其形状，然后用字符识别方法将形状翻译成计算机文字的过程；即，针对印刷体字符，采用光学的方式将纸质文档中的文字转换成为黑白点阵的图像文件，并通过识别软件将图像中的文字转换成文本格式，供文字处理软件进一步编辑加工的技术。

Tesseract是一个著名的ocr开源项目，最初由惠普实验室支持，1996年被移植到Windows上，1998年进行了C++化。在2005年Tesseract由惠普公司宣布开源。2006年到现在，都由Google公司开发。

二、使用步骤

1.安装配置

获取资源的地址并参考：tesseract-ocr的安装及使用
安装完成后需要配置环境变量，将安装路径添加到系统变量的path中：

并新增一个变量名TESSDATA_PREFIX，变量值为安装路径的tessdata子目录：

在命令行中键入tesseract -v命令检验是否安装成功并配置好环境变量：

tesseract --list-langs是用来查看支持的语言的，可以按需下载，其中chi_sim便是简体中文。

2.测试使用

通过命令行使用：
键入命令，选择一个测试图片，返回一个txt文件，输出读取到的内容：

简单的、无符号的图片的提取还是很准确的。

后来尝试提取一个图片中的c++代码，发现准确度就下降了，很多符号无法正确识别：
出现了很多问题，如识别不了各种符号，数字识别错误，格式被破坏等。

---

总结

tesseract-ocr的功能还是十分强大的，识别的准确度也比较高，应该足以从图片中提取代码。下一步的目标是想办法提高tesseract识别代码的准确度，以及通过api对其进行调用。