[笔记]Win10下编译Tesseract-OCR 4.0

Tesseract-OCR 4.0使用了LSTM网络，准确性相比3.x版本提升不少。

官网提供的安装包会提供一堆DLL，而我需要的是一个静态链接的exe文件，所以只能重新编译。

编译环境

Windows 10 专业版
Visual Studio 2017

需要选择开发桌面程序的相关组件，并选择英文。

cmake

我的cmake版本是3.13.2，貌似没它也行。

cppan

从cppan官网下载CPPAN客户端，编译动态库时使用。

vckpg

下载vcpkg源码，使用管理员权限打开PowerShell，编译之。

> git clone https://github.com/Microsoft/vcpkg.git

> cd vcpkg

PS> .\bootstrap-vcpkg.bat

PS> .\vcpkg integrate install

编译Tesseract-OCR 4.0

PS> .\vcpkg install tesseract:x86-windows-static

如果需要64位的exe，将上面的x86换成x64即可。

如果发现某个组件下载失败，可以自行下载后，将文件放在vcpkg\downloads\目录下，然后重新运行上面的命令。

最后成功时，会得到exe文件在vcpkg\packages\tesseract_x86-windows-static\tools\tesseract\tesseract.exe

验证exe文件

PS> .\tesseract.exe --version

tesseract 4.0.0

 leptonica-1.76.0 (Jan  5 2019, 23:01:20) [MSC v.1916 LIB Release x86]

  libgif 5.1.4 : libjpeg 6b (libjpeg-turbo 1.5.3) : libpng 1.6.35 : libtiff 4.0.10 : zlib 1.2.11

 Found AVX

 Found SSE

使用Tesseract-OCR 4.0识别图片文件

将tesseract.exe拷贝到某个目录，然后在该目录之下建立tessdata目录，下载所需的语言库文件放在里面。

要识别简体中文，需要下载的是chi_sim_best.traineddata和chi_sim_vert.traineddata文件。

举例要识别a.jpg文件，命令行如下：

> tesseract.exe a.jpg output -l chi_sim_best --oem 1

识别结果在output.txt文件内。

OpenMP

安装Visual C++ Redistributable 2015，就有了vcomp140.dll，以支持OpenMP。

编译动态库

如果想得到动态库，使用下面的命令：

cppan --build pvt.cppan.demo.google.tesseract.tesseract-master

中间出现错误，将equationdetect.cpp使用带BOM的UTF-8编码另存一下就解决了，最终生成的动态库文件如下：

pvt.cppan.demo.danbloomberg.leptonica-1.76.0.dll

pvt.cppan.demo.google.tesseract.libtesseract-master.dll

pvt.cppan.demo.google.tesseract.tesseract-master.exe

pvt.cppan.demo.jpeg-9.2.0.dll

pvt.cppan.demo.madler.zlib-1.2.11.dll

pvt.cppan.demo.openjpeg.openjp2-2.3.0.dll

pvt.cppan.demo.png-1.6.35.dll

pvt.cppan.demo.tiff-4.0.9.dll

pvt.cppan.demo.webp-0.6.1.dll

pvt.cppan.demo.xz_utils.lzma-5.2.4.dll

Tesseract训练工具

从cppan官网下载CPPAN客户端，然后执行

cppan --build pvt.cppan.demo.google.tesseract-master

最后也没成功，部分报错如下：

Performing Test HAVE_DECL_DECL - Failed

...

error C2065: 'decl': undeclared identifier

不清楚原因是什么。

[更新于 2019-11-05]

上述流程可以应用于生成最新版的Tesseract，目前编译成功了 4.1.0

可以使用VS2019 Commnunity版
安装时需要选择使用C++的桌面开发，默认配置即可
注意要包含Windows 10 SDK
语言包要勾选English