Tesseract 进行图像识别

1. Tesseract 介绍

Tesseract的OCR引擎最先由HP实验室于1985年开始研发，至1995年时已经成为OCR业内最准确的三款识别引擎之一。然而，HP不久便决定放弃OCR业务，Tesseract也从此尘封。

数年以后，HP意识到，与其将Tesseract束之高阁，不如贡献给开源软件业，让其重焕新生－－2005年，Tesseract由美国内华达州信息技术研究所获得，并求诸于Google对Tesseract进行改进、消除Bug、优化工作。

Tesseract目前已作为开源项目发布在Google Project，其最新版本3.0已经支持中文OCR，并提供了一个命令行工具。

2. Tesseract 安装

Tesseract 可以在 linux、windows 和 macOS 下使用。这里以 macOS 为例。

2.1 使用 homebrew 安装 Tesseract 同时安装训练工具:

brew install –with-training-tools tesseract

虽然官方提供了多种语言的识别数据包，但是在很多情况下都需要在其基础上自己进行训练，所以记得安装训练工具

2.2 安装语言识别包

从官网地址下载对应的识别包 [官网地址](https://github.com/tesseract-ocr/tessdata
) 比如中文识别选择 chi_sim 这个包

再将识别包放置到系统的相应目录中，比如我用 hoembrew 安装，地址位于：

/usr/local/Cellar/tesseract/3.05.01/share/tessdata

2.3 下载训练工具

tesseract 的好处就在能够自己训练需要识别的字符，如果只是识别印刷字体这样的需求还是调用 API 比较方便，比如说百度云的文字识别 API。

要进行训练就下载 jTessBoxEditor 样本训练工具

3. 基本概念

3.1 基本命令

查看版本

tesseract -v

查看帮助

tesseract –help

进行识别的命令

tesseract in.jpg out.txt -l chi_sim -psm 6
in.jpg:需要识别的图片
out.jpg:图片的结果输出到的位置
-l:后跟用于进行识别的数据包，这里是中文
-psm:识别方式

3.2 语言识别包

查看已有的语言识别包

➜libai tesseract --list-langs
List of available languages (4):
chi_sim
eng
libai
number

语言识别的包是识别的基础，下载之后默认自带的是 eng.traineddata 英文识别包。他能够用来识别英文，但是不能识别中文。所以要下载中文的识别包 ch_sim.traineddata 这样就能识别中文。但是发现准确率不高，不符合需求就要训练自己的包。

总之核心就在 traineddata 文件。

3.3 psm的参数

psm 的参数很重要，表示 tesseract 识别图像的方式，比如说是一行一行识别还是逐字识别。希望逐字识别可以使用 -psm 10，希望逐行识别可以使用 -psm 6,其他没怎么用以后有机会补充。总之，希望有更好的识别效果需要选择合适的 psm。