三味猪屋

OCR之Tesseract安装和使用

发表于 | 分类于


OCR(Optical Character Recognition):光学字符识别，是指对文本资料进行扫描，然后对图像文件进行分析处理，获取文字和版面信息的过程。
Tesseract:Google开源的OCR识别引擎。现已托管在GitHub上，大家有兴趣可以上Github上Star或Frok该项目。
Tesseract在Mac OSX上安装：

以上图片显示的是使用brew安装所有语言包，如果想要安装指定的语言包则命令如下：

1
2
3
brew intsall tesseract
cd /usr/local/Cellar/tesseract/{version}/share/tessdata
wget https://github.com/tesseract-ocr/tessdata/raw/master/chi_sim.traineddata

通过brew安装所在的路径如下：

官方文档给出了两种方式安装：
方式1、通过Tesseract已经提供的编译好的二进制安装包。
方式2、通过Tesseract提供的源码自行编译安装。
你可以使用二进制安装包方式安装也可以使用编译源码方式安装。
在Mac OSX系统上，方式1安装又可通过以下两种工具进行安装：
1、MacPorts安装
2、Homebrew安装


命令行使用:
1、查看安装的版本号
$ tesseract --version

2、查看安装的语言包
$ tesseract --list-langs

3、图片识别命令

1
$ tesseract /Users/yuntai01/Desktop/TesseractResult/xxx.png /Users/yuntai01/Desktop/TesseractResult/result -l chi_sim

第一个参数是待识别的图像的文件名。
第二个参数用于指定输出，如果希望直接输出而不是保存到文件，那么就使用 stdout，否则这个参数将会作为保存结果的文件的前缀。
-l chi_sim 用来指定使用哪个 “语言文件”，如果是使用 英文(eng) ，这个参数可以不加，因为默认就是使用英文的 “语言文件” 来进行识别。
以上命令就将/Users/yuntai01/Desktop/TesseractResult/xxx.png图片使用中文语言包进行识别，并将的结果输出到/Users/yuntai01/Desktop/TesseractResult/result.txt中。
如果直接输出则只需将输出参数设置为stdout即可：
例如识别下图：


指定多语言，用+号相连：

1
$ tesseract /Users/yuntai01/Desktop/TesseractResult/xxx.png /Users/yuntai01/Desktop/TesseractResult/result -l chi_sim+eng

4、更多用法请移步到查看使用帮助命令
$ tesseract --help

5、额外参数
通过上图help命令注意到命令tesseract imagename|stdin outputbase|stdout [options...] [configfile...]中[options...]除了参数-l LANG还有其他几个参数可以设置。

1
2
3
4
5
6
7
8
--tessdata-dir PATH   Specify the location of tessdata path.
--user-words PATH     Specify the location of user words file.
--user-patterns PATH  Specify the location of user patterns file.
-l LANG[+LANG]        Specify language(s) used for OCR.
-c VAR=VALUE          Set value for config variables.
                      Multiple -c arguments are allowed.
--psm NUM             Specify page segmentation mode.
--oem NUM             Specify OCR Engine mode.

--psm NUM参数：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
Page segmentation modes:
  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.
 11    Sparse text. Find as much text as possible in no particular order.
 12    Sparse text with OSD.
 13    Raw line. Treat the image as a single text line,
			bypassing hacks that are Tesseract-specific.

--oem NUM参数：

1
2
3
4
5
OCR Engine modes:
  0    Original Tesseract only.
  1    Cube only.
  2    Tesseract + cube.
  3    Default, based on what is available.

-c VAR=VALUE参数：
具体参数可以通过tesseract --print-parameters查看。

参数的使用有两种方式:
方式1:-c VAR=VALUE
使用 -c 选项来设定单项参数的值，比如:
tesseract xxx.png xxx -l chi_sim -c language_model_ngram_on=1
允许使用多个 -c 选项来设置多个参数的值。
方式2:[configfile...]
将多项参数设置写入文件，然后在识别时使用该文件，比如:
tesseract xxx.png xxx -l chi_sim tess.conf
需要注意的是，如果使用配置文件，用作参数的配置文件名要放在最后面——这里也支持多个配置文件，但它们必须要在最后面。假如我有两个配置文件 tess_1.conf 和 tess_2.conf，那么这样是正确的:
tesseract xxx.png xxx -l chi_sim tess_1.conf tess_2.conf
而这样则是错误的:
tesseract xxx.png xxx tess_1.conf -l chi_sim tess_2.conf
这里提供了部分参数的用处说明。
官方文档也提供了，不过需要花点时间去找。
参考：
https://github.com/tesseract-ocr/tesseract