浅谈OCR之Tesseract

 

光 学字符识别(OCR,Optical Character Recognition)是指对文本资料进行扫描，然后对图像文件进行分析处理，获取文字及版面信息的过程。OCR技术非常专业，一般多是印刷、打印行业 的从业人员使用，可以快速的将纸质资料转换为电子资料。关于中文OCR，目前国内水平较高的有清华文通、汉王、尚书，其产品各有千秋，价格不菲。国外 OCR发展较早，像一些大公司，如IBM、微软、HP等，即使没有推出单独的OCR产品，但是他们的研发团队早已掌握核心技术，将OCR功能植入了自身的 软件系统。对于我们程序员来说，一般用不到那么高级的，主要在开发中能够集成基本的OCR功能就可以了。这两天我查找了很多免费OCR软件、类库，特地整 理一下，今天首先来谈谈Tesseract，下一次将讨论下Onenote 2010中的OCR API实现。可以在这里查看OCR技术的发展简史。

测试代码下载

 

1、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，其项目主页在这里查看，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。本次我们来测试一下Tesseract 3.0，由于命令行对最终用户不太友好，我用WPF简单封装了一下，就可以方便的进行中文OCR了。

 

1.1、首先到Tesseract项目主页下载命令行工具、源代码、中文语言包：

 

1.2、命令行工具解压缩后如下（不含1.jpg、1.txt）：

 

1.3、为了进行中文OCR，将简体中文语言包复制到【tessdata】目录下：

 

1.4、在DOS下切换到Tesseract的命令行目录，查看一下tesseract.exe的命令格式：

 

Imagename为待OCR的图片，outputbase为OCR后的输出文件，默认是文本文件（.txt），lang为使用的语言包，configfile为配置文件。

 

1.5、下面来测试一下，准备一张jpg格式的图片，这里我是放到了和Tesseract同一个目录中：

 

输入：tesseract.exe 1.jpg 1 -l chi_sim，然后回车，几秒钟就OCR完成了：

这里注意命令的格式：imagename要加上扩展名.jpg，输出文件和语言包不需要加扩展名。

 

OCR结果：

 

可以看到结果不是很理想，中文识别还说的过去，但是英文、数字大都乱码。不过作为老牌的OCR引擎，能做到这种程度已经相当不错了，期待Google的后续升级吧，支持一下。

 

2、使用WPF封装Tesseract命令行

2.1、鉴于命令行书写容易出错，且对最终用户很不友好，我做了一个简单的WPF小程序，将Tesseract的命令行封装了一下：

 

左边选择图片、预览，右边选择输出目录，显示OCR结果，支持本地及网络图片的预览。

 

2.2、为了使得图片预览支持缩放、移动，原本打算使用微软的Zoom It API，可惜不支持WPF，于是使用了一个第三方的类：

图片缩放、移动工具类

 

 

 

2.3、除了使用鼠标。还可以使用滚动条调节图片预览效果：

数据绑定

 

 

  

2.4、由于Tesseract命令行不支持直接OCR网络图片，故先下载：

图片下载

 

 

  

2.5、使用Process来调用Tesseract命令行：

调用Tesseract命令行

 

 

  

2.6、测试本地图片：

 

2.7、测试网络图片：

 

小结：

本次我们简单讨论了下Tesseract的用法，作为一款开源、免费的OCR引擎，能够支持中文十分难得。虽然其识别效果不是很理想，但是对于要求不高的中小型项目来说，已经足够用了。这里有一份免费OCR工具列表，感兴趣的朋友可以研究一下。下一次将测试一下Onenote 2010中OCR功能，以及如何调用其API，为项目所用。