Tesseract OCR

Tesseract OCR 简介

Tesseract 是一个成熟的开源 OCR（光学字符识别）引擎，包含 libtesseract 库和 tesseract 命令行程序。它最初由惠普实验室在 1985 年至 1994 年间开发，2005 年开源，2006 年至 2017 年由 Google 维护，目前由社区持续更新。

Tesseract 4 引入了基于 LSTM 的神经网络 OCR 引擎，专注于行识别，同时保留了对 Tesseract 3 传统引擎的兼容模式（--oem 0）。

核心特性

• 多语言支持：内置 Unicode（UTF-8）支持，可识别超过 100 种语言，需配合相应的 traineddata 文件。
• 多种输入格式：支持 PNG、JPEG、TIFF 等常见图像格式。
• 多种输出格式：纯文本、hOCR（HTML）、PDF、仅含不可见文本的 PDF、TSV、ALTO 和 PAGE。
• 可训练：允许针对特定语言或字体训练自定义模型。
• 开发者友好：提供 C 和 C++ API，并有多种编程语言的包装库。

基本使用

安装后可通过命令行调用：

tesseract imagename outputbase [-l lang] [--oem ocrenginemode] [--psm pagesegmode] [configfiles...]

例如识别中文图片：

tesseract input.png output -l chi_sim

更多选项可通过 tesseract --help 查看。

开发者集成

开发者可以使用 libtesseract 的 C 或 C++ API 构建应用。官方文档提供了详细的 API 说明和第三方语言绑定列表。

注意事项

• 项目本身不包含图形界面，如需 GUI 可参考第三方项目。
• 识别效果受图像质量影响较大，建议先对图像进行预处理（如二值化、去噪）。
• 训练自定义模型需要一定学习成本，官方提供了训练文档。

许可证

Tesseract 采用 Apache-2.0 许可证，依赖的 Leptonica 库使用 BSD 2-clause 许可证。