Windows上使用Tesseract-ocr识别藏文天城体梵文

Posted 2021-02-19 yanghao2008

 

Tesseract-ocr可以OCR识别藏文、梵文，识别为Unicode字符，效果还不错

 

1、下载Windows安装版

Windows安装版地址：
https://github.com/UB-Mannheim/tesseract/wiki

 

 

所有版本下载地址：

https://digi.bib.uni-mannheim.de/tesseract/

推荐使用5.0版本，4.0版本支持API，编程需要4.0版本。

2、下载识别文件包
https://tesseract-ocr.github.io/tessdoc/Data-Files

有普通、best、fast三种模式可选，下载相应traineddata数据。可以下载4.0的数据。

 

 

 

 

 

还有很多其他语言，可以去探索。

注：汉语、日语、韩语等语言，Finereader的OCR效果要比Tesseract-ocr强很多，但是Finereader是收费的。西方语言还可以选用OmniPage，但是OmniPage也是收费的。网上有破解版，但是现在越来越不少找了。

3、配置TESSDATA_PREFIX变量
参考网页：https://blog.csdn.net/weixin_41982136/article/details/82747499

如将traineddata拷贝至C:Program FilesTesseract-OCR essdata，则将TESSDATA_PREFIX设置为C:Program FilesTesseract-OCR essdata

 

 

4、在命令行下使用

 

 

参考网页：

https://tesseract-ocr.github.io/tessdoc/Command-Line-Usage.html

识别藏文

tesseract 藏文图片  保存地址  -l bod

识别梵文

tesseract 梵文图片  保存地址  -l san

cmd示例：

进入安装目录
cd C:Program FilesTesseract-OCR

测试语言安装是否正确，有哪些训练语言
tesseract --list-langs

识别一张图片
tesseract tib_001.jpg D: ib_001 -l bod

经测试，识别铅字印刷的图片，效果还可以。

经过优化处理的图片，可以显著提高识别率，参见：

https://tesseract-ocr.github.io/tessdoc/ImproveQuality.html

处理图片推荐使用老马软件ComicEnhancerPro。

老马的博客地址：https://www.cnblogs.com/stronghorse/