使用 Tesseract OCR 进行汉字识别

Posted 2023-04-17

【中文标题】使用 Tesseract OCR 进行汉字识别

【英文标题】：chinese character recognition using Tesseract OCR

【发布时间】：2013-05-11 00:05:00

【问题描述】：

我一直在使用 Tesseract 3.0.2 OCR SDK 进行图像文本提取。但是，如果我使用中文文本图像并通过 OCR，则 Tesseract 不会为我提供中文字符，而不是我得到数字和英文字符。但我需要我正在使用的图像中显示的汉字。

我怎样才能做到这一点？有什么方法可以获取汉字而不是其他字符？

【参考方案1】：

您需要下载中文训练数据（它将是一个类似chi_sim.traineddata的文件）并将其添加到您的tessdata文件夹中。

下载文件 https://github.com/tesseract-ocr/tessdata/raw/master/chi_sim.traineddata

并像这样使用

Tesseract* tesseract= [[Tesseract alloc] initWithDataPath:@"tessdata" language:@"chi_sim"];

如果您有任何问题，您可以从以下网址下载我的 tessaract 实验（支持中文） https://github.com/aryansbtloe/ExperimentWithTesseract.git

我已经测试过这个...希望你会发现这个有用。

【讨论】：

好吧，我尝试了您的示例，它在我尝试的大约一半的简体中文字符上运行良好。对于其余部分，它可能将复合字符识别为几个不同的字符，每个字符代表复合字符中的一个组件，或者完全错误。你知道提高识别准确率的方法吗？

新的训练数据链接是github.com/tesseract-ocr/tessdata/raw/master/…

从 github.com/UB-Mannheim/tesseract/wiki 下载安装程序，以便有一个 tessdata 文件夹。 （除了 pip install pytesseract）