Tesseract-OCR 3.0+ 安装和使用

0.介绍

Tesseract是一个开源的OCR引擎，能识别100多种语言（中，英，韩，日，德，法...等等），但是Tesseract对手写的识别能力较差

1.安装

brew install leptonica
brew install tesseract  
#或
brew install --with-training-tools tesseract

pip install pytesseract

参考文档: http://khalsa.guru/posts/16

2.下载语言库

下载地址:https://github.com/tesseract-ocr/tessdata , 亲测可用的包点击

根据自己的需求选择所要的语言库，在这里我们选择的是简体中文所以选择的库是：chi_sim.traineddata
将文件拷贝到到：/usr/local/Cellar/tesseract/3.04.01_2/share/tessdata目录下。

 
 

  
  
库名-语言表如下

  
  
库名
语言
afr
Afrikaans(南非荷兰语)
amh
Amharic(阿姆哈拉语)
ara
Arabic(阿拉伯语)
asm
Assamese(阿萨姆)
aze
Azerbaijani(阿塞拜疆)
aze_cyrl
Azerbaijani
 - Cyrilic(阿塞拜疆-Cyrilic)
bel
Belarusian(白俄罗斯)
ben
Bengali(孟加拉)
bod
Tibetan(西藏)
bos
Bosnian(波斯尼亚)
bul
Bulgarian(保加利亚语)
cat
Catalan;
 Valencian(加泰罗尼亚语; 巴伦西亚)
ceb
Cebuano(宿务)
ces
Czech(捷克)
chi_sim
Chinese - Simplified(中国-简体)
chi_tra
Chinese - Traditional(中国-繁体)
chr
Cherokee(切诺基)
cym
Welsh(威尔士)
dan
Danish(丹麦)
dan_frak
Danish
 - Fraktur(丹麦-Fraktur)
deu
German(德国)
deu_frak
German - Fraktur(德国-Fraktur)
dzo
Dzongkha(不丹文)
ell
Greek, Modern （1453-）(希腊，现代（1453-）)
eng
English(英语)
enm
English,
 Middle (1100-1500)(英语，中东（1100-1500）)
epo
Esperanto(世界语)
equ
Math / equation detection module(数学/方程式检测模块)
est
Estonian(爱沙尼亚)
eus
Basque(巴斯克)
fas
Persian(波斯)
fin
Finnish(芬兰)
fra
French(法语)
frk
Frankish(法兰克)
frm
French,
 Middle (ca.1400-1600)(法国，中东（ca.1400-1600）)
gle
Irish(爱尔兰)
glg
Galician(加利西亚)
grc
Greek, Ancient (to 1453)(希腊语，古（到1453年）)
guj
Gujarati(古吉拉特语)
hat
Haitian;
 Haitian Creole(海天; 海地克里奥尔语)
heb
Hebrew(希伯来语)
hin
Hindi(印地文)
hrv
Croatian(克罗地亚)
hun
Hungarian(匈牙利)
iku
Inuktitut(因纽特语)
ind
Indonesian(印尼)
isl
Icelandic(冰岛)
ita
Italian(意大利语)
ita_old
Italian
 - Old(意大利语-旧)
jav
Javanese(爪哇)
jpn
Japanese(日本)
kan
Kannada(卡纳达语)
kat
Georgian(格鲁吉亚)
kat_old
Georgian - Old(格鲁吉亚-旧)
kaz
Kazakh(哈萨克斯坦)
khm
Central
 Khmer(中央高棉)
kir
Kirghiz; Kyrgyz(柯尔克孜; 吉尔吉斯)
kor
Korean(韩国)
kur
Kurdish(库尔德人)
lao
Lao(老挝)
lat
Latin(拉丁)
lav
Latvian(拉脱维亚)
lit
Lithuanian(立陶宛)
mal
Malayalam(马拉雅拉姆语)
mar
Marathi(马拉)
mkd
Macedonian(马其顿)
mlt
Maltese(马耳他)
msa
Malay(马来文)
mya
Burmese(缅甸)
nep
Nepali(尼泊尔)
nld
Dutch;
 Flemish(荷兰; 佛兰芒语)
nor
Norwegian(挪威)
ori
Oriya(奥里亚语)
osd
Orientation and script detection module(定位及脚本检测模块)
pan
Panjabi; Punjabi(旁遮普语; 旁遮普语)
pol
Polish(波兰)
por
Portuguese(葡萄牙语)
pus
Pushto;
 Pashto(普什图语; 普什图语)
ron
Romanian; Moldavian; Moldovan(罗马尼亚; 摩尔多瓦; 摩尔多瓦)
rus
Russian(俄罗斯)
san
Sanskrit(梵文)
sin
Sinhala; Sinhalese(僧伽罗语; 僧伽罗语)
slk
Slovak(斯洛伐克)
slk_frak
Slovak
 - Fraktur(斯洛伐克- Fraktur)
slv
Slovenian(斯洛文尼亚)
spa
Spanish; Castilian(西班牙语; 卡斯蒂利亚)
spa_old
Spanish; Castilian - Old(西班牙语; 卡斯蒂利亚-老)
sqi
Albanian(阿尔巴尼亚)
srp
Serbian(塞尔维亚)
srp_latn
Serbian
 - Latin(塞尔维亚语-拉丁语)
swa
Swahili(斯瓦希里语)
swe
Swedish(瑞典)
syr
Syriac(叙利亚)
tam
Tamil(泰米尔)
tel
Telugu(泰卢固语)
tgk
Tajik(塔吉克斯坦)
tgl
Tagalog(菲律宾语)
tha
Thai(泰国)
tir
Tigrinya(提格雷语)
tur
Turkish(土耳其)
uig
Uighur;
 Uyghur(维吾尔族; 维吾尔)
ukr
Ukrainian(乌克兰)
urd
Urdu(乌尔都语)
uzb
Uzbek(乌兹别克斯坦)
uzb_cyrl
Uzbek - Cyrilic(乌兹别克斯坦- Cyrilic)
vie
Vietnamese(越南语)
yid
Yiddish(意第绪语)
 
 

3.Tesseract使用

 
 


  
  
终端输入命令:tesseract --help

  
  
Usage:
  tesseract --help | --help-psm | --version
  tesseract --list-langs [--tessdata-dir PATH]
  tesseract --print-parameters [options...] [configfile...]
  tesseract imagename|stdin outputbase|stdout [options...] [configfile...]

OCR options:
  --tessdata-dir PATH   Specify the location of tessdata path.
  --user-words PATH     Specify the location of user words file.
  --user-patterns PATH  Specify the location of user patterns file.
  -l LANG[+LANG]        Specify language(s) used for OCR.
  -c VAR=VALUE          Set value for config variables.
                        Multiple -c arguments are allowed.
  -psm NUM              Specify page segmentation mode.
NOTE: These options must occur before any configfile.

Page segmentation modes:
  0    Orientation and script detection (OSD) only.
  1    Automatic page segmentation with OSD.
  2    Automatic page segmentation, but no OSD, or OCR.
  3    Fully automatic page segmentation, but no OSD. (Default)
  4    Assume a single column of text of variable sizes.
  5    Assume a single uniform block of vertically aligned text.
  6    Assume a single uniform block of text.
  7    Treat the image as a single text line.
  8    Treat the image as a single word.
  9    Treat the image as a single word in a circle.
 10    Treat the image as a single character.

Single options:
  -h, --help            Show this help message.
  --help-psm            Show page segmentation modes.
  -v, --version         Show version information.
  --list-langs          List available languages for tesseract engine.
  --print-parameters    Print tesseract parameters to stdout.
 
 

一般使用:

//默认使用eng文字库， imgName是图片的地址，result识别结果
tesseract imgName result

指定语言:

//指定使用简体中文
tesseract -l chi_sim imgName result

//查看本地存在的语言库
tesseract --list-langs

指定多语言:

//指定多语言，用+号相连
tesseract -l chi_sim+eng imgName result

有个地方需要特别注意，参数psm

  
  

   
   //输入命令，查看psm的参数
tesseract --help-psm

  0    Orientation and script detection (OSD) only.
  1    Automatic page segmentation with OSD.
  2    Automatic page segmentation, but no OSD, or OCR.
  3    Fully automatic page segmentation, but no OSD. (Default)
  4    Assume a single column of text of variable sizes.
  5    Assume a single uniform block of vertically aligned text.
  6    Assume a single uniform block of text.
  7    Treat the image as a single text line.
  8    Treat the image as a single word.
  9    Treat the image as a single word in a circle.
 10    Treat the image as a single character.

 翻译（可能不是很准,最好看原文）：
 0 定向脚本监测（OSD）
 1 使用OSD自动分页
 2 自动分页，但是不使用OSD或OCR（Optical Character Recognition，光学字符识别）
 3 全自动分页，但是没有使用OSD（默认）
 4 假设可变大小的一个文本列。
 5 假设垂直对齐文本的单个统一块。
 6 假设一个统一的文本块。
 7 将图像视为单个文本行。
 8 将图像视为单个词。
 9 将图像视为圆中的单个词。
 10 将图像视为单个字符。
  
  

如:

//不设置psm值的命令
tesseract xxx.png ./xxx/xxx -l chi_sim -psm 6

Tesseract-OCR 4.0+ 安装: 地址