Tesseract+OpenCV实现中英文字识别

一、概述

• Tesseract是比较经典的OCR算法，且能够获得较好的识别效果。既有开源的算法代码可以使用，又有编译好的识别工具，可谓是相当不错了。如此，那得赶紧试试效果究竟如何了。
• 我是使用windows10编译Tesseract库的，但是始终都是那个乱码问题，怎么改签名页也没用，不知道有没有小伙伴遇到过这种极端的情况。
• 最后还是在网上下载了编译好的版本，调试通过后，最终效果还不错。

二、OCR中英文识别

• 识别过程很简单，只需要下载对应的识别库就可以了。
• 英文识别库在代码主页里面有：https://github.com/tesseract-ocr/tesseract/tree/master/tessdata
• 所有的识别库在这里都可以找到。
• 具体识别程序参考https://learnopencv.com/deep-learning-based-text-recognition-ocr-using-tesseract-and-opencv/。这里我也把代码贴出来，加了一个中文识别（仅需下载chi_sim库，放在对应的目录即可）。

#include <string>
#include <fstream>
#include <tesseract/baseapi.h>
#include <leptonica/allheaders.h>
#include <opencv2/opencv.hpp>

using namespace std;
using namespace cv;

int main(int argc, char* argv[])
{
	string outText;
	string imPath = "./images/3.jpg";

	// Create Tesseract object
	tesseract::TessBaseAPI *ocr = new tesseract::TessBaseAPI();

	/*
	 Initialize OCR engine to use English (eng) and The LSTM
	 OCR engine.


	 There are four OCR Engine Mode (oem) available

	 OEM_TESSERACT_ONLY             Legacy engine only.
	 OEM_LSTM_ONLY                  Neural nets LSTM engine only.
	 OEM_TESSERACT_LSTM_COMBINED    Legacy + LSTM engines.
	 OEM_DEFAULT                    Default, based on what is available.
	*/

	//中英文识别
	ocr->Init("./tessdata", "chi_sim", tesseract::OEM_LSTM_ONLY);
	
	//英文识别
	//ocr->Init("./tessdata", "eng", tesseract::OEM_LSTM_ONLY);

	// Set Page segmentation mode to PSM_AUTO (3)
	// Other important psm modes will be discussed in a future post.
	ocr->SetPageSegMode(tesseract::PSM_AUTO);

	// Open input image using OpenCV
	Mat im = cv::imread(imPath, IMREAD_COLOR);

	// Set image data
	ocr->SetImage(im.data, im.cols, im.rows, 3, im.step);

	// Run Tesseract OCR on image
	outText = string(ocr->GetUTF8Text());

	std::ofstream fout("1.txt", std::ios::out);
	fout << outText;
	fout.close();

	// Destroy used object and release memory
	ocr->End();

	return EXIT_SUCCESS;
}

• 由于中文识别时，直接显示到终端会乱码，虽然可以修改输出格式，但是还是输出到文件，用notepad++打开比较简单（直接使用记事本打开应该也可以，没试过）。
• 识别效果如下(我的测试图片很是理想，大家可以试一试其他图片)：
  
  

三、整个工程代码以及三方库

• 没有积分的可以在网盘下载：https://pan.baidu.com/s/1ro6yZdicnK2g1QiDz3SLdQ
• 提取码：gvb7
• 当然也可以使用积分下载：https://download.csdn.net/download/qq_38589460/20818024?spm=1001.2014.3001.5503

四、总结

• Tesseract的识别效果还是不错，不过有的时候下载的模型并不能满足所有的文字，需要我们自己训练模型。可以采用jTessBoxEditor训练工具进行训练，参考：
  1、https://www.cnblogs.com/wzben/p/5930538.html
  2、https://blog.csdn.net/qq_40147863/article/details/82290015
• PaddleOCR的识别效果同样很好，代码刚出来就获得了大量的star，据说超过了Tesseract，同样可以使用C++和OpenCV编程使用，有时间可以尝试一波。