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