Tesseract是一个OCR库,目前由Google赞助。它是目前公认最优秀、最精确的开源OCR系统。除了极高的精确度,Tesseract也具有很高的灵活性。它可以通过训练识别出任何字体(只要这些字体的风格保持不变就可以),也可以识别出任何Unicode字符。
Tesseract OCR下载地址:
https://github.com/UB-Mannheim/tesseract/wiki
选择较新版本的for Windows安装包,这里选择tesseract-ocr-w64-setup-v4.0.0-beta.1.20180608.exe安装包。
安装时最好勾选简体中文语言包和常用数学公式包,以便能够识别简体中文和数学字符,默认安装路径为C:\Program Files (x86)\Tesseract-OCR。
添加环境变量:
path中添加路径C:\Program Files (x86)\Tesseract-OCR
添加新的环境变量TESSDATA_PREFIX,值为C:\Program Files (x86)\Tesseract-OCR\tessdata
在cmd中输入tesseract -v, 如显示以下界面,则表示Tesseract安装完成且添加到系统变量中。
Linux 用户可以通过apt-get安装:
$sudo apt-get tesseract-ocr
运行测试:
创建字符图片p1.png
在Windows命令行中执行
tesseract p1.png p1 -l chi_sim+equ+eng
说明:
p1.png是当前目录中的图片
p1.txt是指定结果输出文件,默认为txt文件,因此这里扩展名不需输入
-l是指定使用的包
chi_sim是中文识别包,equ是数学公式包,eng是英文包,不指定语言包时默认使用英文包
举个例子,E:\下有一张图片p1.jpg
开始识别
识别结果
只识别错了一个字,识别率还是不错的。说明一下,Tesseract对于彩色图片的识别没有黑白图片的效果好,所以实际识别时最好能对图片进行降噪预处理,去掉彩色和杂质,以提高识别的准确度。
来自 “ ITPUB博客 ” ,链接:http://blog.itpub.net/28974745/viewspace-2218658/,如需转载,请注明出处,否则将追究法律责任。
转载于:http://blog.itpub.net/28974745/viewspace-2218658/