Tesseract是一个 由HP实验室开发 由Google维护的 开源的
光学字符识别
(OCR)引擎,可以在
Apache 2.0 许可
下获得。
它可以直接使用,或者(对于程序员)使用 API 从图像中提取输入,包括手写的或打印的文本。
它可以直接使用,或者(对于程序员)使用 API 从图像中提取输入,包括手写的或打印的文本。
与Microsoft Office Document Imaging(MODI)相比,我们可以不断的训练的库,使图像转换文本的能力不断增强;
如果团队深度需要,还可以以它为模板,开发出符合自身需求的OCR引擎。
源码地址为:https://github.com/tesseract-ocr/tesseract;
你可以训练它
大体流程为:安装jTessBoxEditor -> 获取样本文件 -> Merge样本文件 –> 生成BOX文件 -> 定义字符配置文件 -> 字符矫正 -> 执行批处理文件 -> 将生成的 traineddata 放 入tessdata 中。
具体细节参考:光学字符识别引擎 tesseract-ocr 样体训练
它是跨平台的,支持:
Linux
macOS
Windows
Tesseract-OCR4.0 版本在 Win7 上的安装过程
Tesseract-OCR4.0版本在VS2015上的编译与运行
它支持很多种的语言,包括:
https://github.com/tesseract-ocr/tesseract/wiki/Data-Files