Tesseract开源图片文字识别项目

Tesseract最初是在1985年至1994年间在Hewlett-Packard Laboratories Bristol和Greeley Colorado的Hewlett-Packard Co开发的，1996年进行了一些更改，移植到Windows，以及1998年的一些C ++。2005年Tesseract开放惠普采购。自2006年以来，它由谷歌开发。
运行Tesseract
基本命令行用法：

tesseract imagename outputbase [-l lang] [–oem ocrenginemode] [–psm pagesegmode] [configfiles…]
有关各种命令行选项的更多信息，请使用tesseract –help或man tesseract。

Tesseract具有unicode（UTF-8）支持，可以“开箱即用” 识别100多种语言。

Tesseract支持各种输出格式：纯文本，特殊（html），pdf，tsv，仅隐形文本pdf。

您应该注意，在许多情况下，为了获得更好的OCR结果，您需要提高您给Tesseract 的图像质量。

适用于Tesseract 3.05-02和Tesseract 4.00-beta的Windows安装程序可从UB Mannheim的Tesseract获得。其中包括培训工具。32位和64位安装程序都可用。页面链接是https://github.com/UB-Mannheim/tesseract/wiki
tesseract-ocr-setup-3.05.02-20180621.exe下载地址：
https://digi.bib.uni-mannheim.de/tesseract/tesseract-ocr-setup-3.05.02-20180621.exe
tesseract-ocr-w64-setup-v4.0.0-rc3.20181014.exe下载地址：
https://digi.bib.uni-mannheim.de/tesseract/tesseract-ocr-w64-setup-v4.0.0-rc3.20181014.exe
命令示例：
>tesseract D:\\sql.PNG D:\\read -l eng –psm

tesseract 的好处就在能够自己训练需要识别的字符，如果只是识别印刷字体这样的需求还是调用 API 比较方便，比如说百度云的文字识别 API。
要进行训练就下载 jTessBoxEditor 样本训练工具
https://sourceforge.net/projects/vietocr/files/jTessBoxEditor/jTessBoxEditorFX-2.1.0.zip/download
解压下载压缩包，在解压后的文件夹中双击打开train.bat
在弹出窗口的Trainer选项卡中设置对应参数,模式选择Make Box File Only，点Run生成Box文件
，然后打开Box Editor选项卡取调整识别字符
重新进入Trainer选项卡，选择Train with Existing Box模式，将之前说的三个文件添加到训练所在的文件夹中。点击运行，生成结果
最终生成的traineddata文件最终要拷贝tesseract安装目录的tessdata目录下

品葱用户 马丫丫最漂亮了 评论于 2020-05-19

我也不太懂

品葱用户 华国锋 评论于 2020-05-18

说实话不太好用，不同平台一般有二次包装的方案。

品葱用户 Resistance 评论于 2020-05-18

必须另外训练样本，否则识别率很低。

品葱用户 无为而治 评论于 2020-05-26

不太好用，需要改进完善。