如何通过Tesseract开源OCR引擎创建Android OCR应用

Posted 2023-04-02

　　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：

使用 Tesseract 识别：

识别结果：

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/