图片识别——Tesseract

Tesseract是开源的OCR引擎。Tesseract最初设计用于英文识别，经过改进引擎和训练系统，它能够处理其它语言和UTF-8字符。Tesseract 3.0能够处理任何Unicode字符，但并非在所有语言上都工作得很好。Tesseract在庞大字符集语言（比如中文）上较慢，但是工作良好。

识别：
二值化、灰度、倾斜校正和图片（文字）切割
遍历所有像素点，然后二值化【比如判断RGB值小于#FFFFFF的（即非白色）时候标记为1，大于等于#FFFFFF（即白色）的标记为0，存进二维数组】

排版英文，数字，简单验证码
手写的数字，中文识别 等不太好

基本使用方法：
tesseract images/abc.jpeg out -l eng -psm 7 digits
images/abc.jpeg：输入待OCR的图片；
out：输出结果到终端，也可用文件名，表示输出到文件；
-l eng：使用英文识别库；
-psm 7：表示分页方式，7表示将图片视为单行文字；
digits：识别配置文件，这里表示只识别数字。

中文库目前：
https://github.com/tesseract-ocr/tessdata/raw/master/chi_sim.traineddata

训练：
支持tiff需要安装 libtiff和leptonica
1、制作box file
通过命令生成.box或者下载windows工具
tesseract [lang].[fontname].exp[num].tif [lang].[fontname].exp[num] batch.nochop makebox
其中lang为语言名称，fontname为字体名称，num为序号，可以随便定义。
2、利用jTessBoxEditor
生成的.box要和这个.tif文件同在一个目录下。
逐个校正文字，后保存。
3、合并

其他说明：
更多参考：http://wangjunle23.blog.163.com/blog/static/117838171201323031458171/
商业化：ABBYY Finereader
在线ocr地址：https://www.newocr.com/