Tesseract OCR——Windows 10 + CMake-GUI + Visual Studio 2019下编译和使用解决方案

基本概念

Tesseract OCR：Tesseract-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。在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 由惠普公司宣布开源。从2006年到现在，都由 Google 公司开发维护。

编译环境

Windows 10

CMake-GUI 

Visual Studio 2019

Anaconda3（可无）

解决方案

注意事项

关闭杀毒软件。

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D:\Code\Project目录

编译过程

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vs2019，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:\Code\Project\tiff-4.0.9\build\libtiff\Release

如果有安装Anaconda3可以跳过这步。

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

 如果没有安装Anaconda3情况下

Visual Studio 2019打开项目

编译 

使用libtiff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

得到两个文件

• leptonica-1.76.0.lib，位置 D:\Code\Project\leptonica-1.76.0\build\src\Release

• leptonica-1.76.0.dll，位置 D:\Code\Project\leptonica-1.76.0\build\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:/Code/Project/leptonica-1.76.0/build) 

include_directories(
    D:/Code/Project/leptonica-1.76.0/src
    D:/Code/Project/leptonica-1.76.0/build4/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

Visual Studio2019打开项目，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[] = { "'", "`", "\"", "\\", ",", ".",  
    "<", ">", "<<", ">>", "" };  

如果报错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"
)

编译

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:/Code/Project/tesseract-3.05.01\build\Release
• tesseract305.dll，位置 D:/Code/Project/tesseract-3.05.01\build\bin\Release
• tesseract.exe，位置 D:/Code/Project/tesseract-3.05.01\build\bin\Release

简单使用

拷贝文件

在\tesseract-3.05.01\build\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（https://github.com/tesseract-ocr/tessdata）

另外，将用到的tiff和liptonica以及要识别的图片都拷贝进来

文本识别 

bmp格式原生支持

打开CMD

cd D:/Code/Project/tesseract-3.05.01/build/bin/Release
tesseract 20180602231441791.bmp 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.

官方的模型有些字符不是特别准确，需要训练

参考文章

windows编译和使用tesseract（C++ api）

cmake-gui使用教程

VS2017/VS2015编译tesseract