[转]Tesseract-OCR命令行使用

最新推荐文章于 2024-07-11 13:40:19 发布

weixin_30323631

最新推荐文章于 2024-07-11 13:40:19 发布

阅读量1k

点赞数 1

文章标签： java 操作系统人工智能

原文链接：http://www.cnblogs.com/Crysaty/p/6062490.html

版权

本文介绍了Tesseract OCR引擎的概述、下载安装过程，特别是如何在命令行中使用。针对Windows 8.1系统，详细阐述了安装路径、命令行参数的使用，如-l参数指定语言库，-psm参数设定页面分割模式。还提到了提高识别率的技巧，如图片预处理，并提及了训练Tesseract以提高识别准确性。

摘要由CSDN通过智能技术生成

原文地址：http://blog.csdn.net/whatday/article/details/38493551

1.Tesseract-OCR引擎简介

OCR(Optical Character Recognition):光学字符识别,是指对图片文件中的文字进行分析识别，获取的过程。

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。

2.Tesseract-OCR的下载安装

google下载地址：http://code.google.com/p/tesseract-ocr

需要下载安装程序(tesseract-ocr-setup-3.02.02.exe)和语言库，默认有英文的语言库只能识别英文，所以还需要下载中文语言库，

由于google经常打不开，所以通过代理下载后，上传到了CSDN，

安装程序下载地址：http://download.csdn.net/detail/whatday/7740469

简体中文语言库下载地址：http://download.csdn.net/detail/whatday/7740531

繁体中文语言库下载地址：http://download.csdn.net/detail/whatday/7740429

安装tesseract-ocr-setup-3.02.02.exe 默认安装就可以了，

因为如果选择了其他项，安装程序会自动从网上下载，语言库和其他文件，有很大一部分是从google下载，由于不能打开所以会出错，先默认安装上，需要什么文件再下载就行。

我系统是windows8.1 默认安装好后目录如下：

其中tesseract.exe是主程序， tessdata目录是存放语言文件和配置文件的，下载或自己生成的语言文件放到此目录里就可以了。

3.Tesseract-OCR的命令行使用

打开DOS界面，输入tesseract：

如果出现如上输出，表示安装正常。

我准备了一张验证码1.png放在D盘根目录下

，简单的执行验证码识别

其中 1.png是验证码图片 result是结果文件的名称默认是.TXT文件执行成功后会在验证码图片所在位置生成result.txt 打开结果为:

命令详解：

Usage:tesseract imagename outputbase [-l lang] [-psm pagesegmode] [configfile...]
pagesegmode values are:
0 = Orientation and script detection (OSD) only.
1 = Automatic page segmentation with OSD.
2 = Automatic page segmentation, but no OSD, or OCR
3 = Fully automatic page segmentation, but no OSD. (Default)
4 = Assume a single column of text of variable sizes.
5 = Assume a single uniform block of vertically aligned text.
6 = Assume a single uniform block of text.
7 = Treat the image as a single text line.
8 = Treat the image as a single word.
9 = Treat the image as a single word in a circle.
10 = Treat the image as a single character.
-l lang and/or -psm pagesegmode must occur before anyconfigfile.

tesseract imagename outputbase [-l lang] [-psm pagesegmode] [configfile...]

tesseract 图片名输出文件名 -l 字库文件 -psm pagesegmode 配置文件

例如：

tesseract code.jpg result -l chi_sim -psm 7 nobatch

-l chi_sim 表示用简体中文字库（需要下载中文字库文件，解压后，存放到tessdata目录下去,字库文件扩展名为 .raineddata 简体中文字库文件名为: chi_sim.traineddata）

-psm 7 表示告诉tesseract code.jpg图片是一行文本这个参数可以减少识别错误率. 默认为 3

configfile 参数值为tessdata\configs 和 tessdata\tessconfigs 目录下的文件名

4.Tesseract-OCR的QA合集

A.ImageMagick是什么？

ImageMagick是一个用于查看、编辑位图文件以及进行图像格式转换的开放源代码软件套装

我在这里之所以提到ImageMagic