Tesseract-OCR字符识别简介

OCR(Optical Character Recognition)：光学字符识别，是指对图片文件中的文字进行分析识别，获取的过程。
Tesseract：开源的OCR识别引擎，初期Tesseract引擎由HP实验室研发，后来贡献给了开源软件业，后经由Google进行改进，消除bug，优化，重新发布。
项目地址：https://github.com/tesseract-ocr

该项目最新版本是3.04，本人试验用的版本是3.02。

1 安装并设置环境

运行tesseract-ocr-setup-3.02.02.exe程序安装tesseract，如图所示，图中的jTessBoxEditor相关内容用于其他测试与本文无关。

安装完成后为了能在cmd命令行直接使用tesseract.exe，向path环境变量中增加tesseract安装目录，同时添加环境变量TESSDATA_PREFIX，其值是训练数据tessdata所在的目录，例如图中为：F:\Program Files (x86)\Tesseract-OCR，该目录也可以由参数

--tessdata-dir指明，详细见第2节参数介绍。

2 参数介绍

在命令行直接输入tesseract回车后可看到它的帮助信息，如图所示：

更详细的参数说明请参考：https://github.com/tesseract-ocr/tesseract/blob/master/doc/tesseract.1.html，部分内容如下图：

一般来说，可以使用如下的格式来使用tesseract：

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

3 实例

如要识别如下图片，可以直接使用简单的命令：tesseract test.png result，即可将识别结果输出到result.txt文件中

识别结果如下：

可以看出识别效果不是特别理想，所以识别前可对识别的图像进行预处理，典型处理如：增加对比度、二值化等，如对上一幅图进行预处理后如下图所示：

生成识别结果时，可以使用hocr参数来让tesseract生成html格式的结果文件，如：tesseract binary.png result hocr，识别结果如下：

对比可以看出预处理后的识别效果要明显优于之前的识别效果，生成html格式的识别文件还有另外一个好处，即可以获得识别字符在原图片上面的坐标信息，用文本编辑器打开上面的rusult.html文件，内容如图：

从图中红色方框内可以看出识别出的字符串user在原图片中的坐标信息(306,884)左上角，(445,926)右下角。此外之前版本还支持识别信心值，但从3.02版本以后该特性被去掉了，相关内容请参考：http://blog.csdn.net/sosoben/article/details/13768895

4 结语

以上只是简单介绍了tesseract的英文字符识别功能，其实它支持很多语言的识别，另外它还支持样本训练等，更深入的应用请查找其他文献。