集成利用tesseract.exe进行ocr

Posted 2022-12-25

   ocr是一个宽泛的概念。市场上面ocr将一直是一个不断发展、需求强烈的方向。

   我认为，从难度上区分，中文ocr难于英文ocr;手写ocr难于印刷ocr。所以两两组合，中文手写体最难（比如毛体，有一些人都识别不了）；而英文（数字）印刷体ocr最简单，对于最简单的东西，我认为就可以直接使用tesseract，它本身就是集成了对英文（数字）的识别。将这个功能集成起来，甚至是研究其开源实现，将其融合起来。

   下载http://uniontesting.com/thread-32030-1-1.html

    如果采用命令行的方式集成，核心代码，可以达到一定的效果：

private void button1_Click(object sender, EventArgs e)
        
            string filePath = @"tesseract.exe";
            string paramstr = @"bbb3.jpg r";
            System.Diagnostics.Process.Start(filePath,paramstr);
           
        

可以直接采用api的方式对该ocr进行调用,那么融合的程度就进一步提高了!并且可以结合opencv 进行一些同步并行的处理.

 这方面的知识，我虽然有所积累，但是如果想要解决问题，还必须多做实际的例子。

 现在看来，tesseract已经包括完整的生态体系，需要研究；而“OCRopus is really a collection of document analysis programs, not a turn-key OCR system.”更是它的衍生的东西，更需要有所调查。

那么，在现实的项目中。借鉴ocr和验证码识别的相关思路，具体的问题如何解决？

我想，可以分为这样几个部分:

首先是采用模板识别或者其他一些方法，可以确定待识别的图片的类型。对于质量不好的图片要把roi取出来；

其次是逐步精化，就是要把需要识别的区域的roi取出来，并且增强；

最后就是ocr识别，及时使用tesseract进行相关参数的调整，都能够有所结果；最后对于结果进行相关调整。