提取图片文字——linux下tesseract-ocr安装编译

注：以下安装以ubuntu16.04为例，本例中用到的文件是1.71版的leptonica和3.04版的tesseract。不同的操作系统用到的文件不同，请勿乱用。

一、Tesseract概述
Tesseract的OCR引擎最先由HP实验室于1985年开始研发，至1995年时已经成为OCR业内最准确的三款识别引擎之一。然而，HP不久便决定放弃OCR业务，Tesseract也从此尘封。

数年以后，HP意识到，与其将Tesseract束之高阁，不如贡献给开源软件业，让其重焕新生－－2005年，Tesseract由美国内华达州信息技术研究所获得，并求诸于Google对Tesseract进行改进、消除Bug、优化工作。

Tesseract目前已作为开源项目发布在Google Project，其最新版本3.0已经支持中文OCR，并提供了一个命令行工具。

二、安装并编译Tesseract

1.下载安装编译要用到的文件。

在安装tesseract时，需要下载很多文件，网上有的博客中给了下载链接，但是好多都需要翻墙才能下载，在这里我把所需要的文件下载到了网盘里供大家下载，https://pan.baidu.com/s/1mj6YTIw

提取码是：95p5

注：一定要先把这些文件下载到本地再进行后面的安装，因为后面会用到这些文件。

2.安装相应lib。

打开linux下的命令行，分别输入以下命令：

sudo apt-get install libpng12-dev
sudo apt-get install libjpeg62-dev
sudo apt-get install libtiff5-dev
sudo apt-get install libtool
sudo apt-get install gcc
sudo apt-get install g++
sudo apt-get install automake
注：上面后三条指令所安装的文件一般电脑都自带，但是为了以防万一，还是安装一下，如果遇到已有的文件会跳过。

3.下载安装leptonica。

在linux命令行中输入：

wget http://www.leptonica.org/source/leptonica-1.71.tar.gz
执行完毕后就得到了leptonica-1.71.tar.gz压缩文件，解压：

tar -zxvf leptonica-1.71.tar.gz
解压后查看，发现我们已经得到了leptonica-1.71文件。

进入到leptonica-1.71目录下：
cd leptonica-1.71
再分别执行以下指令：
./configure
make
sudo make install
leptonica即安装编译成功。
4.下载安装tesseract。

找到在百度云盘下载的那些文件中的tesseract-3.04.00.tar.gz，将其解压到根目录中（解压的命令就不再写出来了），查看：

我们已经得到了安装编译tesseract所需的tesseract-3.04.00文件。

进入到该文件目录下：
cd tesseract-3.04.00
分别执行以下指令：

sudo ./autogen.sh
./configure
make 
sudo make install
sudo ldconfig

tesseract即安装编译成功。

5.安装中英文语言包。

找到在百度云盘下载的那些文件中的剩余文件，即chi_sim.traineddata、eng.traineddata、eng.traineddata.part三个文件，并把它们放到根目录中。

这个时候我们先来查看一下在/usr/local/share中是否有tessdata文件夹：

cd /usr/local/share
ls

发现确实已有tessdata文件夹，接着我们将刚刚的三个文件拷贝到tessdata文件夹下：

cp chi_sim.traineddata /usr/local/share/tessdata
cp eng.traineddata /usr/local/share/tessdata
cp eng.traineddata.part /usr/local/share/tessdata

到现在基本的安装编译工作已经完成。接着进行测试。

三、测试。

首先我们打开tesseract-3.04.00目录下的testing文件：

cd tesseract-3.04.00
cd testing
ls

发现一个名为phototest.tif的文件，这个文件其实就是一张图片：

这个图片中有几句英文语句，我们的测试就是基于这张图片，也就是识别出这张图片中的英文语句。

于是在testing目录下输入下面指令：

tesseract phototest.tif result -l eng

再查看testing目录下的文件，发现多了一个result.txt：

这个result.txt就是我们对刚刚的phototest.tif文件的识别结果，打开看一下：

跟刚刚图片中的内容完全一致，可以说识别率是很高的。

原文：https://blog.csdn.net/pangyunsheng/article/details/79372845