linux 安装Tesseract-OCR

linux 安装Tesseract-OCR

1.安装对应的lib (install the libs)

sudo apt-get install libpng12-dev

sudo apt-get install libjpeg62-dev

sudo apt-get install libtiff4-dev

  其实本来还应该装这些的，只不过有些电脑自带有这些，还是装一下安全，反正如果装有的，会跳过的sudo apt-get install gcc

sudo apt-get install g++

sudo apt-get install automake

 

2.下载安装leptonica

http://www.leptonica.org/download.html 或者

http://code.google.com/p/leptonica/downloads/list

最新的是leptonica-1.69.tar.bz2

 

下载leptonica 包: http://www.leptonica.org/source/leptonica-1.68.tar.gz
解压后切换到leptonica-1.68 根目录  
$./configure
$make
$make install

3.tesseract安装:

install tesseract 3.0.2

$ wget http://tesseract-ocr.googlecode.com/files/tesseract-3.0.2.tar.gz $tar zxvf tesseract-3.02.tar.gz $cd tesseract-3.02  && ./configure && make && sudo make install

 

4 安装英文字库 

下载tesseract-3.02 英文语言包:http://tesseract-ocr.googlecode.com/files/tesseract-ocr-3.02.eng.tar.gz ，解压后将tesseract-ocr/tessdata 下的所有文件全部拷贝到/usr/local/share/tessdata 下

 

$ wget http://tesseract-ocr.googlecode.com/files/tesseract-ocr-3.02.eng.tar.gz

$ gunzip chi_sim.traineddata.gz$ sudo cp chi_sim.traineddata /usr/local/share/tessdata/

 

5 安装中文字库 (install Chinese lib )

$ wget http://tesseract-ocr.googlecode.com/files/chi_sim.traineddata.gz$ gunzip chi_sim.traineddata.gz$ sudo cp chi_sim.traineddata /usr/local/share/tessdata/

将文字库拷备到/usr/local/share/tessdata/目录下

 

6识别命令

Tesseract 【图片名】 【识别结果文件(.txt输出)】  -l  【语言】

英文字体识别

tesseract phototest.tif phototest -l eng

中文字体识别

tesseract phototest.tif phototest -l chi_sim

 

 

 

 

错误记录

1.遇到这个错误

$ tesseract foo.png bar
tesseract: error while loading shared libraries: libtesseract_api.so.3 cannot open shared object file: No such file or directory

 

You need to update the cache for the runtime linker. The following should get you up and running:

$ sudo ldconfig

 

2. 使用遇到如下错误

Tesseract Open Source OCR Engine v3.02.02 with LeptonicaError in findTiffCompression: function not presentError in pixReadStreamTiff: function not presentError in pixReadStream: tiff: no pix returnedError in pixRead: pix not readUnsupported image type.

 

 安装下面对应的lib (install the libs)，后重新编译tesseract

sudo apt-get install libpng12-dev

sudo apt-get install libjpeg62-dev

sudo apt-get install libtiff4-dev

 

注意的几点： (NOTICE) 
1. 速度比较慢。 不过可以忍受，免费的么。  (slow, but it doesn't matter, what I care is  tesseract is free )
2. 图片的文字要做到水平。如果你的图片文字是斜的，会影响效果，建议先用“旋转”功能把图片处理一下。 ( if your text is not vertical, you have to make some changes to the image using "notation" tools or something )