windows编译和使用tesseract（C++ api）

最新推荐文章于 2024-08-17 23:55:12 发布

踏莎行hyx

最新推荐文章于 2024-08-17 23:55:12 发布

阅读量1.5w

点赞数 8

分类专栏： C/C++ 文章标签： C++ OCR

本文链接：https://blog.csdn.net/u012234115/article/details/80552179

版权

C/C++ 专栏收录该内容

82 篇文章 43 订阅

订阅专栏

tesseract是一个基于C++编写的开源OCR（光学字符识别）库

本文简单介绍一下windows系统中编译和使用tesseract以及调用该库的C++ api进行开发

环境为win10+vs2015

源码下载

tesseract的编译有诸多依赖，tesseract依赖于leptonica，而leptonica又依赖于png，tiff，jpeg等基础库，所以需要下载这些依赖的源码，并且依次编译

考虑到某些图片格式的基础库源码较老并且久未更新难于编译，本文只编译了较新的libtiff，并作为示例，其他图片格式未测试

下载地址：

libtiff 4.09，http://download.osgeo.org/libtiff/tiff-4.0.9.zip
leptonica 1.76.0，http://www.leptonica.com/source/leptonica-1.76.0.tar.gz
tesseract 3.05.01，https://github.com/tesseract-ocr/tesseract/archive/3.05.01.zip

下载完后解压缩到文件夹，这里将三个项目源码都放在codetest目录

编译

特别指定，本文中所有项目生成都是使用cmake-gui工具（首先要会用这个工具），C++编译使用vs2015，所有cmake编译目录都定为build_x64

所有的编译模式都是：vs2015 win64 release

由于tiff --> leptonica --> tesseract 三者之间层层递进，环环相扣，所以编译一定要注意顺序和设置

step1：编译tiff

常规cmake流程编译出 tiff.lib和tiff.dll，位置在 D:\codetest\tiff-4.0.9\build_x64\libtiff\Release

step2：编译leptonica

cmake配置，勾选Grouped和Advanced，会显示png和tiff等图片库的设置入口，要先将tiff的目录配置进去，使得支持tiff格式

然后需要修改 libtiff目录下的两个头文件，将tiffconf.vc.h和tif_config.vc.h改名为tiffconf.h和tif_config.h

这样就能编译出leptonica的库文件了

leptonica-1.76.0.lib，位置 D:\codetest\leptonica-1.76.0\build_x64\src\Release
leptonica-1.76.0.dll，位置 D:\codetest\leptonica-1.76.0\build_x64\bin\Release

如果要支持png，需要下载编译libpng和zlib源码，并且在cmake-gui里面先设置zlib，再设置libpng

step3：编译tesseract

根目录的cmake配置文件在

if(NOT EXISTS ${PROJECT_SOURCE_DIR}/.cppan)

这句话之前加上

set(Leptonica_DIR D:/codetest/leptonica-1.76.0/build_x64) 

include_directories(
    D:/codetest/leptonica-1.76.0/src
    D:/codetest/leptonica-1.76.0/build_x64/src
)

目的是为了让tesseract在cmake的config阶段找到leptonica的头文件和库，当然，也可以在cmake-gui里面直接设置Leptonica_DIR

在configure的过程会出现如下日志，显示正在下载ICU的依赖，等到其下载完成即可，注意打开科学上网，否则会因为网络问题不成功

如果一直网络超时，可以在 https://github.com/unicode-org/icu/releases 手动下载icu的开发包 icu4c-67_1-Win64-MSVC2017.zip，然后重命名为icu64.zip拷贝到编译的对应目录

然后修改源码目录的 tesseract-3.05.01\src\training\CMakeLists.txt,注释以下行

#    file(DOWNLOAD
#        "http://download.icu-project.org/files/icu4c/56.1/icu4c-56_1-Win${ARCH_DIR_NAME}-msvc10.zip"
#        "${icu_archive}"
#        SHOW_PROGRESS
#        INACTIVITY_TIMEOUT 60 # seconds
#        EXPECTED_HASH MD5=${icu_hash}
#    )


#    set(ICU_ROOT ${icu_dir}/icu)

再重新configure完成

之后，打开sln进行编译，一般情况下会出现一个字符编码的报错（最新版4.1.1已不报）

此时不用惊慌，只需要将tesseract中equationdetect.cpp文件修改一下，再编译就好了

static const STRING kCharsToEx[] = {"'", "`", "\"", "\\", ",", ".",  
    "〈", "〉", "《", "》", "」", "「", ""};

改为

static const STRING kCharsToEx[] = { "'", "`", "\"", "\\", ",", ".",  
    "<", ">", "<<", ">>", "" };

还有可能遇到另外一个错，报PACKAGE_VERSION找不到，可以手动在根目录的CMakeLists.txt中添加宏

add_definitions(
    -DPACKAGE_VERSION="3.05.01"
)

然后顺利编译出tesseract项目的各种二进制工具exe，lib和dll

tesseract305.lib，位置 D:\codetest\tesseract-3.05.01\build_x64\Release
tesseract305.dll，位置 D:\codetest\tesseract-3.05.01\build_x64\bin\Release
tesseract.exe，位置 D:\codetest\tesseract-3.05.01\build_x64\bin\Release

工具使用

在D:\codetest\tesseract-3.05.01\build_x64\bin\Release目录下，从源码目录将tessdata拷贝进去，并且提前下载好已训练语言包，另外，将用到的tiff和liptonica以及要识别的图片都拷贝进来

bmp格式原生支持，tif格式此时也是支持的，这里以tif图片为例

在这个目录输入命令行

tesseract eurotext.tif euro

识别结果

euro.txt

The (quick) [brown] {fox} jumps!
Over the $43,456.78 <lazy> #90 dog
& duck/goose, as 12.5% of E-mail
from aspammer@website.com is spam.
Der ,,schnelle” braune Fuchs springt
ﬁber den faulen Hund. Le renard brun
«rapide» saute par-dessus le chien
paresseux. La volpe marrone rapida
salta sopra il cane pigro. El zorro
marrén répido salta sobre el perro
perezoso. A raposa marrom répida
salta sobre 0 C50 preguicoso.

有些字符不是特别准确，还需要训练

编程使用

通过写代码调用tesseract的C++ api的形式

创建vs2015 C++工程

源码

main.cpp

#include "baseapi.h"
#include "allheaders.h"

int main()
{
	char *outText;

	tesseract::TessBaseAPI *api = new tesseract::TessBaseAPI();
	// Initialize tesseract-ocr with English, without specifying tessdata path
	if (api->Init(NULL, "eng")) // you can set tessdata path and language here
	{
		fprintf(stderr, "Could not initialize tesseract.\n");
		exit(1);
	}

	// Open input image with leptonica library
	Pix *image = pixRead("./eurotext.tif");
	api->SetImage(image);
	// Get OCR result
	outText = api->GetUTF8Text();
	printf("---- OCR output:---- \n%s", outText);

	// Destroy used object and release memory
	api->End();
	delete[] outText;
	pixDestroy(&image);

	return 0;
}

配置

头文件包含目录

主要是leptonica和tesseract的src目录

附加库目录

需要配置leptonica和tesseract的lib路径

附加依赖项

运行

将项目依赖的tiff，leptonica，tesseract的dll全部拷贝到exe执行目录，并且拷贝tessdata和用到的图片到该目录，这个目录可以在api里面设置

运行结果

---- OCR output:----
The (quick) [brown] {fox} jumps!
Over the $43,456.78 <lazy> #90 dog
& duck/goose, as 12.5% of E-mail
from aspammer@website.com is spam.
Der ,,schnelle鈥?braune Fuchs springt
铿乥er den faulen Hund. Le renard brun
芦rapide禄 saute par-dessus le chien
paresseux. La volpe marrone rapida
salta sopra il cane pigro. El zorro
marr茅n r茅pido salta sobre el perro
perezoso. A raposa marrom r茅pida
salta sobre 0 C50 preguicoso.

可以看出，api识别的结果还是有些不准确的，有待训练优化