引

最近要倒騰一下文字識(shí)別，直接上手iOS的識(shí)別遇到了一些困難，于是決定先在Mac上做一做，會(huì)比較簡(jiǎn)單。

有一個(gè)經(jīng)常聽(tīng)到的詞匯叫做OCR，OCR是什么呢？Optical Character Recognition，光學(xué)字符識(shí)別，是圖片文字識(shí)別的官方學(xué)術(shù)名稱(chēng)。

要做這么一個(gè)聽(tīng)起來(lái)比較復(fù)雜的事情，如果有現(xiàn)成的開(kāi)源框架那是最好的，如果你大致了解一下，就會(huì)發(fā)現(xiàn)開(kāi)源界Tesseract是用的最多的，也是大多數(shù)接觸這個(gè)領(lǐng)域的人最開(kāi)始拿來(lái)練手的東西。簡(jiǎn)單介紹一下Tesseract的歷史，其最早由HP實(shí)驗(yàn)室在1985年研發(fā)，10年后，也就是1995年已經(jīng)是業(yè)內(nèi)最準(zhǔn)確的識(shí)別引擎之一了，但是HP后來(lái)放棄了OCR業(yè)務(wù)，不過(guò)好消息是后來(lái)HP決定反正不用，不如開(kāi)源出來(lái)，所以2005年，又是10年后，Tesseract開(kāi)源了，并且委托Google進(jìn)行改進(jìn)、優(yōu)化的工作。

所以現(xiàn)在一說(shuō)Tesseract往往看到的都是說(shuō)Google的框架，其實(shí)還有這么一段歷史在其中。

準(zhǔn)備工作

要在Mac下用Tesseract，肯定要進(jìn)行安裝，安裝Tesseract之前，我們需要做一些準(zhǔn)備工作。

Xcode Command Line Tool

首先安裝Xcode Command Line Tool，Command Line Tool是Xcode中的一款工具，從App Store下載Xcode之后，默認(rèn)沒(méi)有安裝Command Line Tool，安裝之后就可以在終端命令行中運(yùn)行一些C程序。

安裝方法很簡(jiǎn)單，打開(kāi)終端輸入：xcode-select --install，會(huì)彈出確認(rèn)窗口：

image.png

直接點(diǎn)擊安裝就可以了，一段時(shí)間之后就安裝好了，有進(jìn)度條顯示，十幾分鐘吧。檢查是否安裝成功的方法是再次在終端輸入上述命令，會(huì)提示已經(jīng)安裝過(guò)了，或者在Xcode新建工程，選擇macOS下，會(huì)多出一個(gè)Command Line Tool：

image.png

MacPorts

平常我們安裝Mac上的軟件，常用的兩種方式是App Store和dmg，除此之外，還可以用MacPorts來(lái)安裝，它就像apt-get、yum一樣，可以通過(guò)命令行快速安裝一些軟件，很方便，類(lèi)似于我們通過(guò)命令行用cocoapods來(lái)安裝第三方開(kāi)發(fā)庫(kù)。

進(jìn)入MacPorts的官網(wǎng)：http://www.macports.org/

image.png

下載安裝包后安裝它，可能會(huì)要求重啟mac。

我們主要用來(lái)安裝Tesseract，其他的用法大家可以自己慢慢發(fā)掘。

安裝Tesseract

準(zhǔn)備工作完畢后，就可以安裝Tesseract了。

打開(kāi)終端輸入：sudo port install tesseract

會(huì)要求輸入電腦密碼，mac終端中輸入密碼是看不到的，只管輸入就好。

然后等待它自個(gè)去安裝一大堆依賴(lài)和Tesseract。安裝完后可以檢查一下是否安裝成功，終端輸入tesseract后回車(chē)，會(huì)出來(lái)一些信息和一些配置方式，或者輸入tesseract -v，會(huì)顯示安裝的Tesseract版本信息，目前（2017.6.1）MacPorts安裝的Tesseract版本是3.04.01，不過(guò)此時(shí)github上，包括cocoapods上最新的版本已經(jīng)是4.0了 。

這時(shí)候是不是可以跑Tesseract了呢？還不行，因?yàn)門(mén)esseract是一款OCR引擎，要識(shí)別文字，一定要有語(yǔ)言庫(kù)，Tesseract能夠識(shí)別100多種語(yǔ)言，語(yǔ)言庫(kù)是比較大的，它不會(huì)一開(kāi)始就都幫你安裝了，需要你按需安裝，它甚至連英語(yǔ)語(yǔ)言包都沒(méi)有默認(rèn)安裝，但是運(yùn)行程序是必須要安裝好英語(yǔ)語(yǔ)言包的，注意，是運(yùn)行程序，不是識(shí)別英語(yǔ)，我覺(jué)得這一點(diǎn)特別奇怪，如果你必須要那就直接默認(rèn)自帶啊...所以我們還要安裝語(yǔ)言包。

還是在終端，輸入命令：sudo port install tesseract-<語(yǔ)言包名>，MacPorts支持的語(yǔ)言包名可以在MacPorts tesseract page查看。

注意上面命令中的尖括號(hào)并不需要輸入，如果你在命令行中包括了尖括號(hào)，會(huì)顯示：

-bash: syntax error near unexpected token `newline'

尖括號(hào)是命令行命令的一種習(xí)慣表示方法，表示這里要被替換掉。比如我們?cè)诰W(wǎng)頁(yè)中找到英語(yǔ)語(yǔ)言包的名稱(chēng)：

image.png

那實(shí)際上我們需要輸入的命令是：sudo port install tesseract-eng

順便我們可以把中文語(yǔ)言包也給裝了，簡(jiǎn)體中文的名稱(chēng)是"chi_sim"，所以命令是：sudo port install tesseract-chi_sim

至此，Tesseract安裝完畢，可以開(kāi)始體驗(yàn)神奇了。

使用Tesseract

使用Tesseract同樣是通過(guò)命令行的方式。先準(zhǔn)備一張圖片，然后通過(guò)命令行進(jìn)入該圖片存放的位置（用cd命令）。

Tesseract的命令格式為：

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

其中有幾個(gè)參數(shù)：

imagename是你要識(shí)別的圖片的名字，不需要打引號(hào)，直接輸入即可。

outputbase是輸出結(jié)果文件的名字，不需要文件類(lèi)型后綴，就是txt，這個(gè)參數(shù)就是txt的文件名。

lang是要用的語(yǔ)言代碼，默認(rèn)是英語(yǔ)，如果你要識(shí)別中文，就寫(xiě) -l chi_sim，如果你要中英都識(shí)別，用 + 號(hào)把語(yǔ)言代碼連起來(lái)：-l chi_sim+eng。

pagesegmode是用來(lái)識(shí)別的模式，之前輸入tesseract命令時(shí)應(yīng)該也看到了，包含這些模式：

• 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.

現(xiàn)在可以開(kāi)始演練了。

準(zhǔn)備一張英文圖片，比如：

image.png

放在下載目錄，命令行 cd Downloads 進(jìn)入下載目錄，然后輸入：

tesseract test.png out

識(shí)別完成后會(huì)在下載目錄多處一個(gè)out.txt的文件，里面包含識(shí)別出的文字：

image.png

英文還是比較準(zhǔn)的。

下面我們來(lái)識(shí)別中文，準(zhǔn)備一張中文圖片：

image.png

輸入：

tesseract test.png result -l chi_sim

也可以正確識(shí)別出來(lái)（識(shí)別后的文件為result.txt）：

image.png

驚不驚喜，意不意外。但是，別看這里都識(shí)別出來(lái)了，其實(shí)中文識(shí)別率并不高，越簡(jiǎn)單、間隔越大、字體越大就識(shí)別的越好，如果是：

image.png

那么識(shí)別結(jié)果就崩了：

image.png

那怎么辦呢，折騰了一圈，結(jié)果識(shí)別出來(lái)是這個(gè)鬼樣子，機(jī)器就是厲害，懂這么多我不認(rèn)識(shí)的字。

Tesseract用來(lái)識(shí)別英語(yǔ)或者類(lèi)似的文字比較厲害，但是識(shí)別漢字這種象形文字就比較差了，不過(guò)還有得救，我們可以訓(xùn)練它，這就是Tesseract訓(xùn)練相關(guān)的知識(shí)了，之后再講。

結(jié)

通過(guò)這篇文章，即使一個(gè)純新手應(yīng)該也可以順利感受到文字識(shí)別的神奇了，但是要想效果更好，路還很長(zhǎng)，共同學(xué)習(xí)吧。

查看作者首頁(yè)