簡介
Tesseract 已經(jīng)有 30 年歷史，開始它是惠普實驗室的一款專利軟件，然后在 2005 年開源，自 2006 年后由 Google 贊助進(jìn)行后續(xù)的開發(fā)和維護(hù)。
OCR 即Optical Character Recognition，光學(xué)字符識別，是指通過掃描字符，然后通過其形狀將其翻譯成電子文本的過程。他是圖像識別領(lǐng)域中的一個子領(lǐng)域，該領(lǐng)域?qū)Ｗ⒂趯D片中的文字信息進(jìn)行識別并轉(zhuǎn)換成能被常規(guī)文本編輯器編輯的文本。
在 1995 年 Tesseract 曾是世界前三的 OCR 引擎，而且在現(xiàn)在的免費(fèi) OCR 引擎中，其識別精度也仍然是出類拔萃的。因為其免費(fèi)與較好的效果，許多的個人開發(fā)者以及一些較小的團(tuán)隊在使用著 Tesseract ，諸如驗證碼識別、車牌號識別等應(yīng)用中，不難見到 Tesseract 的身影。
安裝
本文主要介紹windows安裝
1.下載地址
https://digi.bib.uni-mannheim.de/tesseract/
注意盡量不要下載帶dev，alpha，beta等版本，這些版本不穩(wěn)定，也可能是測試版本
-
安裝
下載完成后雙擊，點擊下一步，會出現(xiàn)選擇安裝項的頁面。
image.png
此時可以勾選Additional language data(download)選項來安裝OCR識別支持的語言包，這樣OCR便可以識別多國語言。然后一路點擊下一步按鈕即可。
- 設(shè)置環(huán)境變量
安裝完成后在“控制面板-系統(tǒng)-高級系統(tǒng)設(shè)置-環(huán)境變量”里配置環(huán)境變量
將安裝地址“E:\soft\Tesseract-OCR”添加到系統(tǒng)變量path后面
打開命令終端，
輸入：tesseract -v，可以看到版本信息
tesseract v5.0.0.20190623
leptonica-1.78.0
libgif 5.1.4 : libjpeg 8d (libjpeg-turbo 1.5.3) : libpng 1.6.34 : libtiff 4.0.9 : zlib 1.2.11 : libwebp 0.6.1 : libopenjp2 2.3.0
Found AVX2
Found AVX
Found SSE
輸入：tesseract --list-langs，可以看到安裝的語言信息
List of available languages (8):
chi_sim
chi_sim_vert
chi_tra
chi_tra_vert
eng
enm
equ
osd
如果輸入tesseract --list-langs報錯，查看下是否設(shè)置TESSDATA_PREFIX變量，值為E:\soft\Tesseract-OCR\tessdata
使用
tesseract imagename outputbase [-l lang] [-psm pagesegmode] [configfile…]
imagename 圖片地址
outputbase 輸出的文件名，默認(rèn)txt文件，如果為stdout則直接輸出到界面
-l lang 使用的語言
-psm pagesegmode 模式
configfile 配置文件（可以把固定的配置保存到文件中，在此處輸入文件名即可）
如：
tesseract e://img/12.jpg 12 -l chi_sim
tesseract e://123.jpg stdout -l chi_sim
