Tesseract-OCR对图像和PDF进行光学文字识别

本文主要介绍Tesseract-OCR光学文字识别应用程序的下载安装、运行参数，以及gImageReader图形界面，并Ubuntu和Windows环境下演示了使用图形界面对PDF和图像文件进行文字识别的效果。主要包括以下几个方面：

1. Tesseract-OCR概述
2. Tesseract的下载安装
3. Tesseract的运行参数
4. gImageReader的图形界面

本文使用的软件版本：

1. Ubuntu 20.04（focal）
2. Tesseract-ocr 4.00
3. gImageReader 3.3.1

1 Tesseract-OCR概述

Tesseract是一个开源文本识别（OCR）引擎，最初在1985年至1994年间由惠普实验室开发，1996年进行了一些修改后将其移植到Windows系统，1998年进行了一些C++化。2005年，惠普对Tesseract进行了开源。从2006年到2018年11月由谷歌进行开发。

Tesseract在Apache2.0许可下免费使用，目前的官方发布版本为4.1.1，当前稳定的主分支5.0.0版从2021年11月30日起正在开发过程中。根据Apache许可2.0的条款，Tesseract可以在自己的项目中使用，可以为各种目标进行编译，包括安卓和iPhone。

Tesseract支持UTF-8，可识别100多种语言。Tesseract支持多种输出格式：纯文本、hOCR(HTML)、PDF、仅不可见文本的PDF、TSV。在很多情况下&