Tesseract模型识别提取图像文字

一、OCR

OCR，即Optical Character Recognition，光学字符识别，是指通过扫描字符，然后通过其形状将其翻译成电子文本的过程。

二、Tesseract

目前最流行的开源OCR软件就是*Tesseract*。

Tesseract是一款由HP实验室开发由Google维护的开源OCR（Optical Character Recognition , 光学字符识别）引擎，与Microsoft Office Document Imaging（MODI）相比，我们可以不断的训练的库，使图像转换文本的能力不断增强；如果团队深度需要，还可以以它为模板，开发出符合自身需求的OCR引擎。

Tesseract-ocr Github 地址如下：

https://github.com/tesseract-ocr/tesseract

三、Windows编译安装Tesseract

1、准备工作

科学上网，否则一些文件下载不了（要从github下载依赖文件）。

2、安装vcpkg

**vcpkg**是Microsoft的跨平台开源软件包管理器，极大地简化了 Windows、Linux 和 macOS 上第三方库的购置与安装。如果项目要使用第三方库，建议通过 vcpkg 来安装它们。vcpkg 同时支持开源和专有库。

① 获取vcpkg源码

Vcpkg的官方源码站点为：microsoft/vcpkg: C++ Library Manager for Windows, Linux, and MacOS (github.com)

git clone https://github.com/microsoft/vcpkg

② 编译vcpkg源码

Windows平台：在cmd中执行Vcpkg工程目录下的“bootstrap-vcpkg.bat”命令，编译好后会在同级目录下生成vcpkg.exe文件。

Linux平台：在命令行中执行在vcpkg工程目录下“sudo bash ./ bootstrap-vcpkg.sh”命令,会生成一个可执行文件vcpkg。定义环境变量 VCPKG_ROOT="/vcpkg"

③ 添加到path环境变量

将 vcpkg.exe 路径添加到系统path环境变量中，将该源码目录添加至windows的系统用户的path环境变量中。

④ 安装示例

Windows 安装示例如下：

3、编译安装Tesseract库

① 下载Tesseract源码

从 github 获取 tesseract 源码：

git clone https://github.com/tesseract-ocr/tesseract

② 编译Tesseract源码

命令行切换至 tesseract 源码目录下，执行如下命令：

• 编译生成静态库api命令

vcpkg install tesseract:x64-windows-static

• 编译生成动态库api命令

vcpkg install tesseract:x64-windows

然后等它全部下载、配置、编译完成即可。完成后，命令行类似这样：

• 执行过程：

Microsoft Windows [版本 10.0.20348.169]
(c) Microsoft Corporation。保留所有权利。

C:\Users\Administrator