OCR-Tesseract系列学习——Tesseract for Linux下载与安装

1 Tesseract简单介绍

1.1 起源

Tesseract项目最初由惠普实验室支持，1996年被移植到Windows上，1998年进行了C++化。在2005年Tesseract由惠普公司宣布开源。2006年到现在，都由Google公司开发。

1.2 特性

目前，Tesseract可以识别超过100种语言。也可以用来训练其它的语言。

源码包提供了一个OCR的引擎——libtesseract以及一个命令行程序——tesseract。

Tesseract支持多种输出格式，如：普通文本、html、pdf等。

2 下载&依赖

2.1 下载链接

http://tesseract.gg/

2.2 其他依赖

1. png，jepg，tiff 图像格式解析基础库
2. leptonica图像处理开发库
3. tesseract 光学字符识别核心开发库
4. tessdata 识别用的已训练数据集

3 安装

3.1 安装方法1

Linux自带Tesseract的源程序包。在Linux本地安装步骤如下。

1. 下载图像格式依赖

sudo apt-get install libpng12-dev
sudo apt-get install libjpeg8-dev
sudo apt-get install libtiff5-dev

2. 下载zlib1g依赖

sudo apt-get install zlib1g-dev

3. 下载图像处理开发库依赖

sudo apt-get install libleptonica-dev
sudo apt-get install libleptonica-dev

4. 下载tesseract 光学字符识别核心开发库依赖

sudo apt install libtesseract-dev

5. 安装Tesseract

sudo apt install tesseract-ocr

3.2 安装方法2

4 字库配置

Tesseract自带的字库集位于/usr/share/tesseract-ocr/tessdata目录下。
Github上有开源的、已训练好的字库集。https://github.com/tesseract-ocr/tessdata
然后我们可以在经过训练后将自己需要的字库放到/usr/share/tesseract-ocr/tessdata目录下即可。

5 演示

我们就随机选一张照片命名为ta_test.png。

在ta_test.png所在目录使用命令：

tesseract 1.png result.txt

识别结果保存在同一目录的result.txt文件中。