tesseract 语言包下载_基于Tesseract 的OCR图片识别

markdown排版好像不支持。。。

---

## 1、简介

Tesseract,一款由HP实验室开发由Google维护的开源OCR(OpticalCharacterRecognition,光学字符识别)引擎,特点是开源,免费,支持多语言,多平台。

最初Tesseract是用C语言写的，在1998年改用C++。

github 地址：tesseract-ocr/tesseract

## 2、mac 安装

* tesseract 安装：

brew install tesseract （默认包含英文语言包）

tesseract 安装路径：/usr/local/Cellar/tesseract/4.0.0_1/bin/tesseract

linux 安装：tesseract 4.0 编译安装（CentOS） 4.1.0版本

linux 下目录：安装路径 /usr/local/tesseract 语言包 /usr/share/tesseract

/usr/local/tesseract/bin/tesseract

修改 tesseract 路径：pytesseract.py文件下的 tesseract_cmd，改为/usr/local/tesseract/bin/tesseract

* tesseract 语言包安装：brew install tesseract-lang （也可只安装中午语言包 chi_sim）

语言包 git 地址：tesseract-ocr/tessdata

tesseract 语言包存放路径： /usr/local/share/tessdata/

* 安装测试：

tesseract -v

## 3、基本用法

命令说明

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 test.jpg result -l eng --psm 7 nobatch

-l eng 表示用英文文字库（默认使用英文。如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，命令为：chi_sim）

-psm 7 表示告诉tesseract test.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tessdataconfigs 和 tessdatatessconfigs 目录下的文件名.

[] 中配置是可选配置。

*psm 参数说明*

**egg**:

## 4、python 接口封装

python 接口依赖包安装

pip install pytesseract

处理结果：

## 5、图片预处理

### 5.1 设置模板匹配目标图像

#### 实例化SIFT

采用SIFT算法计算模板与目标图像的特征点并匹配，如果匹配度过小则拒绝识别图片。（如身份证内容识别上传的目标图像为非身份证照片）计算出图像的关键点和sift特征向量

#### KNN

使用K最邻近算法计算目标图像与模板图像的匹配点

#### 去噪：

过滤掉匹配距离较为相近的点

#### 偏移矫正：

利用单应性匹配解决目标图像相对模板图像间拉伸、扭曲、偏移，旋转、倾斜的问题。

#### 缩放：

对目标图像进行仿射转换

处理后的目标图像与原图对比：

### 5.2 文字识别

利用模板匹配算法,确定票据号码、票据状态的位置

即利用matchTemplate函数进行模板匹配,找到票据号码、票据状态等文字的位置后,由于电子票据是刚体,所以上面文字的位置是固定的,所以根据位置信息即可找到需要识别的文字的位置,并将其截取出来

#### 待搜索模板

#### 灰度：

将目标图像及模板灰度处理

#### 模板匹配：

模板匹配就是在整个图像区域发现与给定子图像匹配的小块区域，并得到目标图像最佳位置的坐标，从而计算出待识别区域坐标

#### 目标区域：

以下为待识别区域”票据号码“

#### 识别：

二值化：将整个待识别图像呈现出明显的黑白效果的过程。

结果如下：

#### 文字转换：

利用tesseract 将图片识别为文字

识别结果如下：

## 6、样本训练

## 7、问题：

1、tesseract 训练类容暂时未加入

2、识别率需优化提升

## 8、相关代码：

## 9、相关连接：

SIFT 算法介绍：SIFT特征提取分析_人工智能_Rachel Zhang的专栏-CSDN博客

模板匹配介绍：OpenCV---模板匹配matchTemplate - 山上有风景 - 博客园

自适应阈值介绍：https://www.jianshu.com/p/146d419639b7

识别示例：