通过Tesseract实现简单的OCR

光学字符识别

Posted by Xiaosheng on December 18, 2015

Tesseract 简介

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。

目前 Tesseract 作为开源项目发布在 GitHub,其项目主页在这里查看,目前的新版本已经支持包括中文在内的超过 60 种语言的 OCR。

安装 Tesseract

注:因为众所周知的原因,Google 的相关网址需要翻墙访问。

  1. Windows
    • 访问下载页面,名称为 tesseract-ocr-setup-3.XX.exe 就是 Tesseract 安装程序,下载并安装。
    • 下载需要的语言包,例如简体中文就是 tesseract-ocr-3.02.chi_sim.tar.gz ,将解压出的 chi_sim.trainedata 文件复制到 tessdata 目录下。程序运行必须包含英语语言包,若 tessdata 目录下没有 eng.trainedata 文件,请自行下载英语语言包。
  2. Linux
    • 现在很多 Linux 软件仓库都已经包含 Tesseract 了,包名一般叫做 tesseract 或者 tesseract-ocr,搜索软件仓库并安装。
    • 访问下载页面,下载需要的语言包,例如简体中文就是 tesseract-ocr-XXX.chi_sim.tar.gz,将解压出的 chi_sim.trainedata 文件复制到 tessdata 目录下(一般为 /usr/share/tesseract-ocr/tessdata or /usr/share/tessdata)。程序运行必须包含英语语言包,若 tessdata 目录下没有 eng.trainedata 文件,请自行下载英语语言包。
  3. Mac OS X
    • 下载并安装 MacPorts
    • 使用命令 sudo port install tesseract 安装 tesseract。
    • 使用命令 sudo port install tesseract-<langcode> 安装语言包,各语言的 langcode 可以访问 MacPorts tesseract page 查看。
    • 当然也可以通过 Homebrew 安装 tesseract:brew install tesseract

使用 Tesseract

Tesseract 是一个命令行程序,命令格式为:

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

参数说明

imagename 就是要识别的图片文件的名称,outputbase 就是识别结果输出文件的名称。

lang 就是要识别的语言代码,例如英语为 eng、简体中文为 chi_sim 等等。可以同时识别多种语言,使用 “+” 相连,例如 eng+chi_sim。缺省时识别英语。

pagesegmode 为识别的具体模式,具体包含以下模式:

  • 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.

如果想要简单地识别一张名为 test.png 的图片并将结果保存至 out.txt 中:

tesseract test.png out

或者采用简体中文语言包识别:

tesseract test.png out -l chi_sim

我尝试使用 Tesseract 识别下面这张图片:

pic-1

使用 Tesseract 识别:

pic-2

识别结果:

pic-3

由此可见 Tesseract 对中文的识别很糟糕,毕竟它本来只是用来识别英语的,所以其他文字的识别率都比较差,特别是像汉字这种象形文字,必须要通过手动训练才能使用。可以参考我的另一篇文章《Tesseract训练》

如果想在程序中使用 Tesseract,可以参考这篇文章《tesseract-ocr识别中文扫描图片实例讲解》,提供了 Java 下的使用示例。

参考资料

《浅谈OCR之Tesseract》