Tesseract的简单使用
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。