如何通过Tesseract开源OCR引擎创建Android OCR应用

Posted

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了如何通过Tesseract开源OCR引擎创建Android OCR应用相关的知识,希望对你有一定的参考价值。

  Tesseract是图盲,默认情况下只能看得懂未压缩的TIFF图像,如果直接用tesseract处理其它格式的图片,会报错如下:
  Tesseract Open Source OCR Engine
  name_to_image_type:Error:Unrecognized image type:code.jpg
  IMAGE::read_header:Error:Can’t read this image type:code.jpg
  tesseract:Error:Read of file failed:code.jpg

  所以我们需要用ImageMagick来转换图片格式,ImageMagick (TM) 是一个免费的创建、编辑、合成图片的软件。它可以读取、转换、写入多种格式的图片。图片切割、颜色替换、各种效果的应用,图片的旋转、组合,文本,直线,多边形,椭圆,曲线,附加到图片伸展旋转。ImageMagick是免费软件:全部源码开放,可以自由使用,复制,修改,发布。它遵守GPL许可协议。它可以运行于大多数的操作系统。ImageMagick的大多数功能的使用都来源于命令行工具。通常来说,它可以支持以下程序语言: Perl, C, C++, Python, php, Ruby, Java;现成的ImageMagick接口(PerlMagick, Magick++, PythonMagick, MagickWand for PHP, RubyMagick, and JMagick)是可利用的。这使得自动的动态的修改创建图片变为可能。ImageMagick支持至少90种图片格式: A, ART, AVI, AVS, B, BIE, BMP, BMP2, BMP3, C, CACHE, CAPTION, CIN, CIP, CLIP, CLIPBOARD, CMYK, CMYKA, CUR, CUT, DCM, DCX, DNG, DOT, DPS, DPX, EMF, EPDF, EPI, EPS, EPS2, EPS3, EPSF, EPSI, EPT, EPT2, EPT3, FAX, FITS, FPX, FRACTAL, G, G3, GIF, GIF87, GRADIENT, GRAY, HDF, HISTOGRAM, HTM, html, ICB, ICO, ICON, JBG, JBIG, JNG, JP2, JPC, JPEG, JPG, JPX, K, LABEL, M, M2V, MAP, MAT, MATTE, MIFF, MNG, MONO, MPC, MPEG, MPG, MSL, MTV, MVG, NULL, O, OTB, P7, PAL, PALM, PATTERN, PBM, PCD, PCDS, PCL, PCT, PCX, PDB, PDF, PFA, PFB, PGM, PGX, PICON, PICT, PIX, PJPEG, PLASMA, PNG, PNG24, PNG32, PNG8, PNM, PPM, PREVIEW, PS, PS2, PS3, PSD, PTIF, PWP, R, RAS, RGB, RGBA, RGBO, RLA, RLE, SCR, SCT, SFW, SGI, SHTML, STEGANO, SUN, SVG, SVGZ, TEXT, TGA, TIF, TIFF, TILE, TIM, TTC, TTF, TXT, UIL, UYVY, VDA, VICAR, VID, VIFF, VST, WBMP, WMF, WMFWIN32, WMZ, WPG, X, XBM, XC, XCF, XPM, XV, XWD, Y, YCbCr, YCbCrA, YUV,
  ImageMagick .NET的相关项目:

  Use MagickNet to convert, compose, and edit images from Windows .NET.

  ImageMagickApp is a .NET application written in C# that utilizes the ImageMagick command line to allow conversion of multiple image formats to different formats.

  假设需要识别的图片验证码为code.jpg,我们需要做的只有两步:

  d:\ImageMagick\convert.exe -compress none -depth 8 -alpha off ./code.gif ./code.tif
  D:\\tesseract\\tesseract.exe ./code.tif ./result

  结果就在文本文件./result.txt里面了,tesseract会自动地在./result后面添加上后缀名.txt。然后再对两个命令做点解释。

  convert.exe:ImageMagick套件的一部分,负责图片格式转换,各个参数的意义如下:
  -compress none:转换后的图片不要压缩,如果没有加这一项,后续tesseract处理的时候会报错:read_tif_image:Error:Illegal image format:Compression
  -depth 8:设置转换后图像的色深为8位,也就是bpp为8。如果没有此参数,后果如下:
  Tesseract Open Source OCR Engine
  check_legal_image_size:Error:Only 1,2,4,5,6,8 bpp are supported:16
  Segmentation fault
  -alpha off:在转换后的图像中不要添加alpha图层。如果没有此参数,后果同上。
  紧跟着就是待转换的图片的文件名,最后是转换后的图片的文件名。
参考技术A 开源的 你费劲搞他干啥??

开源的就没有好的!

为什么?
因为不挣钱 没人维护更新,没人维护更新 就跟不上 千变万化的识别需求

想用好的 就花钱买有人维护开发的吧。而且要买那种高端人才维护开发的——比如北京文通科技
我是专门干ocr的++++++++l5olo37z3B3你可用你手上的东东 输入这几个数字 然后拨出 我就能接到你了 我就可以告诉你更多的内容本回答被提问者和网友采纳

通过Tesseract实现简单的OCR

Tesseract 简介

  Tesseract 的 OCR 引擎最先由 HP 实验室于 1985 年开始研发,至 1995 年时已经成为 OCR 业内最准确的三款识别引擎之一。然而,HP 不久便决定放弃 OCR 业务,Tesseract 也从此尘封。

  数年以后,HP 意识到,与其将 Tesseract 束之高阁,不如贡献给开源软件业,让其重焕新生。2005 年,Tesseract 由美国内华达州信息技术研究所获得,并求诸于 Google 对 Tesseract 进行改进、消除 Bug、优化工作。

  目前 Tesseract 作为开源项目发布在 GitHub,其项目主页在这里查看,目前的新版本已经支持包括中文在内的超过 60 种语言的 OCR。

安装 Tesseract

注:因为众所周知的原因,Google 的相关网址需要FQ访问。

  1. Windows
    • 访问下载页面,名称为 tesseract-ocr-setup-3.XX.exe 就是 Tesseract 安装程序,下载并安装。
    • 下载需要的语言包,例如简体中文就是 tesseract-ocr-3.02.chi_sim.tar.gz ,将解压出的chi_sim.trainedata文件复制到tessdata目录下。程序运行必须包含英语语言包,若tessdata目录下没有eng.trainedata文件,请自行下载英语语言包。
  2. Linux
    • 现在很多 Linux 软件仓库都已经包含 Tesseract 了,包名一般叫做 tesseract 或者 tesseract-ocr,搜索软件仓库并安装。
    • 访问下载页面,下载需要的语言包,例如简体中文就是 tesseract-ocr-XXX.chi_sim.tar.gz,将解压出的文件chi_sim.trainedata复制到tessdata目录下(一般为 /usr/share/tesseract-ocr/tessdata or /usr/share/tessdata)。程序运行必须包含英语语言包,若tessdata目录下没有eng.trainedata文件,请自行下载英语语言包。
  3. Mac OS X
    • 下载并安装 MacPorts
    • 使用命令sudo port install tesseract安装 tesseract。
    • 使用命令sudo port install tesseract-<langcode>安装语言包,各语言的 langcode 可以访问 MacPorts tesseract page 查看。
    • 当然也可以通过 Homebrew 安装tesseract:brew install tesseract。

使用 Tesseract

Tesseract 是一个命令行程序,命令格式为:

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

 

参数说明

  imagename 就是要识别的图片文件的名称,outputbase 就是识别结果输出文件的名称。

  lang 就是要识别的语言代码,例如英语为 eng、简体中文为 chi_sim 等等。可以同时识别多种语言,使用 “+” 相连,例如eng+chi_sim。缺省时识别英语。

  pagesegmode 为识别的具体模式,具体包含以下模式:

  • 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.

如果想要简单地识别一张名为 test.png 的图片并将结果保存至 out.txt 中:

tesseract test.png out

或者采用简体中文语言包识别

tesseract test.png out -l chi_sim

 

 

我尝试使用 Tesseract 识别下面这张图片:

技术分享图片

使用 Tesseract 识别:

技术分享图片

识别结果:

技术分享图片

由此可见 Tesseract 对中文的识别很糟糕,毕竟它本来只是用来识别英语的,所以其他文字的识别率都比较差,特别是像汉字这种象形文字,必须要通过手动训练才能使用。可以参考另一篇文章《Tesseract训练》

 

转载自http://xiaosheng.me/2015/12/18/article10/

 

            

以上是关于如何通过Tesseract开源OCR引擎创建Android OCR应用的主要内容,如果未能解决你的问题,请参考以下文章

如何通过Tesseract开源OCR引擎创建Android OCR应用

如何通过Tesseract开源OCR引擎创建Android OCR应用

通过Tesseract实现简单的OCR

开源图片文字识别引擎——Tesseract OCR

Tesseract-OCR 安装中文识别与训练字库

OCR引擎Tesseract以及pytesseract详解及实例