tesseract

怎么安装tesseract ocr库

识别率低是因为tesseract 想做到适应各种字体、各种分辨率，结果就造成了识别率低的尴尬局面。

要想识别率高的话，可以采用abbyy finereader是ocr（光学辨识）软件。比较常用的功能为：扫描到 Word、将PDF图像、图片转换为 Word 文档或者可编辑可搜索的PDF文档，另外也支持将PDF图像转换为 Excel 文档。

OCR 识别是肯定会存在错误的，所以识别转换完成以后记得要和原文核对。 设置语言种类的话，越少识别率越高，就是说如果文件只有中文的话，那么就设置中文一种语言，不要选择其他语言，这样识别速度也会提高。

tesseract能识别哪些语言

之前使用 sudo apt-get install tesseract-ocr 安装的tesseract-ocr有问题，不能使用psm参数。决定手动编译安装。下面参考别人的安装过程。

安装所需的库

sudo apt-get install libpng12-dev。

sudo apt-get install libjpeg62-dev。

sudo apt-get install libtiff4-dev。

sudo apt-get install gcc。

sudo apt-get install g++。

sudo apt-get install automake。

pytesser 调用了 tesseract，因此需要安装 tesseract，安装 tesseract 需要安装 leptonica，否则编译tesseract 的时候出现 "configure: error: leptonica not found"。

以下都是解压编译安装的老步骤：

./configure

make -j4

sudo make install。

下载安装leptonica

http://www.leptonica.org/download.html 或者。

http://code.google.com/p/leptonica/downloads/list。

最新的是leptonica-1.69.tar.bz2。

下载安装tesseract

http://code.google.com/p/tesseract-ocr/。

最新的是 tesseract-ocr-3.02.02.tar.gz。

android怎么调用tesseract实现OCR功能？

识别多种字体、多种语言的字符，在实际应用中是很常见的问题。

经过测试，及查看tesseract3.01的源码，tesseract 3.01版本是不支持多语言、多种字体OCR识别的。

tesseract3.01版本不支持新训练的数据，加入原有字符集，并不支持多个训练库的联合使用方式。

如何利用tesseract进行多语言或多字体识别哪？

一种方法是自己训练字符集，将所有的字体、语言的训练数据放入一个训练数据文件内。这种方法需要庞大的训练样本数据，工作量大，而且舍弃原有的google的训练库，实在是太可惜了。

另外一种方法就是升级tesseract到3.02版本。目前3.02版本还没有release，需要自行下载源码，编译，生成。tesseract3.02支持多个训练库联合使用的方式，这样就能支持多语言、多字体识别，并且tesseract3.02版本的固有数据集应该增加了大量的样本，因为其体积比3.01版本的数据文件大了很多。

tesseract多语言识别的原理及算法在文章Adapting the Tesseract Open Source OCR Engine for Multilingual OCR有专门的介绍。这里记录下自己对这篇文章的理解。

OCR字符识别的热点趋势：

拉丁文-> 中文、日文、韩文 -> 阿拉伯文 -> 印度语。

这几种语言字符有各自的特征。

汉字、日文：有一些相同文字，但文字有上千种形状结构。

韩文：自己特有的文字结构，而且数量更多。

阿拉伯文：字母都连起来书写，且字母处在不同的位置，其形状也不同。

印度文：将字符连起来形成上千种形状，来表示不同的音节。其包含了阿拉伯文和韩文面临的问题。

汉字、韩文和印度文都有部首和词根的结构。相比韩文，汉字的词根在不同的字里，其形状也是不固定的，且常和其他部首连写。而印度文更复杂些。

拉丁文字符识别在另外一篇文章中有介绍，这里写些思路与未提到的问题。

1. 在连通区域分析后，找出blob，即单个字母块。

2. 行检测。利用等间距检测与分割算法，包括识别词与字母的空白区别。

3. 单个字符识别，并对初次识别效果不佳的字符进行分割与联想，对于多种可能，就应用词典的距离计算，选择出最好的可能性。

4. 多次识别：识别效果好的字符作为训练样本，对其他不好的字符进行再次识别。（自适应分类器）

问题：

一般一个字母是单连通区域，但也有例外，一个字母有多个连通区域，或嵌套孔洞，如圆圈中有一个c或R的字符。

--------------

文章的排版：

1. 横排、竖排、混合排列

tesseract最初支持处理横排的情况，若处理各种排列，tesseract需要考虑更多的特征检测。

段落缩进的检测； 字符间距检测（竖排字符的间距中值小于字符大小的均值）；文本行（列）检测。

另外，对于竖排占多数的页面，可以旋转90度，这样大部分文本可转换为横排，减少竖排区域误检率。

混合排列在各种文字中都存在且常见，所以，tesseract要处理这些情况。

2. 文本行、列检测

行检测算法：

每行文本中的字符直接的间距比较小，一般比行间距小，且一般字符大小都差不多，除了个别特殊位置上的字符。利用这个特征，将邻近字符串起来，就形成了一条线。多条线形成后，就有了多条线平行的特征，多条平行线就形成了一个模块。

不同的平行线形成的排版，就能将整个页面分割开来。

行检测完成后，就能检测行内的单个字符了。对于拉丁字符，空格是最小识别单位的特征，而一些语言的空格特征不明显，如中文字符，字、词之间空格没差别，词根之间也有空格，将一个连通区域作为一个独立的识别单位，这种识别方法缺少整体的识别能力，如字典等。一种解决方法是，先识别标点符号（punctuations），但对长句子，还是有局限性。

若存在多种语言混合编排的情况，字符的大小特征可能不一样，如拉丁与汉字。这就需要不同的语言字符，应用不同的阈值进行过滤。

3. 古斯拉夫语Cyrillic，类似俄语之类吧，小写字母x字符高度的估计。

拉丁字符检测的方法，不适用于这种语言。

俄语的检测需要应用其他的特征。这里对俄语不熟悉，就忽略不看了。

4. 字、词的识别

包括分割、搜索及形状分类

字母语言的识别，与象形文字的识别，有很多不同。象形文字的词汇的边界不如字母文字清晰。

对于象形文字间的关联，tesseract应用最优优先搜索方法（best-first-search），在词典中寻找匹配的词汇，这个比字母词汇搜索需要更深的搜索层次。

形状分类

线宽、线长都可以作为字符的形状特征。对于一个字或字符，可以先粗略的分类，多选几个近似的分类,然后，再仔细的分类，从候选的类别选出可能的类别。

6. 上下文关联后处理

字典搜索

如何用Tesseract做日文OCR

android调用tesseract实现OCR功能的方法为：

一、下载&编译

1、首先下载tess-two

git clone git://github.com/rmtheis/tess-two tess。

2、进入 tess目录，里面有三个项目，只需要进入tess-two就可以直接编译了。

cd tess/tess-two。

ndk-build

3、编译好后，将src下的两个包以及libs导入到自己的项目就可以用。

二、使用

tesseract 使用了 leptonica的图像处理库，对于图像处理还是比较强大的。

Android官方地址:tesseract-android-tools。

但它必须要一个匹配库，即tessdata，我们可以从官方拷贝，在前面git的项目里面tesseract源码目录有现成的tessdata可以用，对于中文，google code上也有下载，当然也可以自己训练不同语言的tessdata。

包leptonica的类我们不必使用，只要使用tess包的类就行了。

TessBaseAPI

使用时，首先创建TessBaseAPI对象。

代码为：

TessBaseAPI baseApi=new TessBaseAPI();。

//初始化tess

//android下面，tessdata肯定得放到sd卡里了。

//如果tessdata这个目录放在sd卡的根目录。

//那么path直接传入sd卡的目录。

//eng就是英文，关于语言，按ISO 639-3标准的代码就行，具体请移步wiki。

baseApi.init("tessdata文件夹的父级目录", "eng");。

//options是为了缩放图片，这个酌情缩放，图片小的话可以不缩放。

BitmapFactory.Options options=new BitmapFactory.Options();。

//缩小为原来的1/2

options.inSampleSize=2;。

//bitmap，我这里是以流的形式，只要能形成Bitmap就行。

Bitmap bitmap = BitmapFactory.decodeStream(instream,null,options); 。

instream.close(); 。

//如果图片有Alpha值，那么最好设置一下。

/*ExifInterface exif = new ExifInterface(filename)。

int exifOrientation = exif.getAttributeInt(ExifInterface.TAG_ORIENTATION, ExifInterface.ORIENTATION_NORMAL); 。

int rotate = 0;。

switch (exifOrientation) {。

case ExifInterface.ORIENTATION_ROTATE_90:。

rotate = 90;。

break;。

case ExifInterface.ORIENTATION_ROTATE_180:。

rotate = 180;。

break;。

case ExifInterface.ORIENTATION_ROTATE_270:。

rotate = 270;。

break;。

}

if (rotate != 0) { 。

// Getting width & height of the given image.。

int w = bitmap.getWidth();。

int h = bitmap.getHeight(); 。

// Setting pre rotate。

Matrix mtx = new Matrix();。

mtx.preRotate(rotate); 。

// Rotating Bitmap。

bitmap = Bitmap.createBitmap(bitmap, 0, 0, w, h, mtx, false);。

// tesseract req. ARGB_8888。

bitmap = bitmap.copy(Bitmap.Config.ARGB_8888, true);。

} */

//设置要ocr的图片bitmap。

baseApi.setImage(bitmap);。

//根据Init的语言，获得ocr后的字符串。

String text= baseApi.getUTF8Text();。

//释放bitmap

baseApi.clear();。

//如果连续ocr多张图片，这个end可以不调用，但每次ocr之后，必须调用clear来对bitmap进行释放。

//释放native内存

baseApi.end();

///////////////////////////其它方法//////////////////////////////////。

//获取字符边框

Pixa pixa= baseApi.getCharacters();。

//同上，这个是整段文字的边框。

baseApi.getRegions();。

//同上，只不过这里是条线。

baseApi.getTextlines();。

//剩下的自己测试吧。

//转为rect数组 ，之后，可以很方便的在图片上框出方框。

//怎么框由你。

ArrayList<Rect> rects=pixa.getBoxRects();。

tesseract 训练

首先做一下背景介绍，Tesseract是一个开源的OCR组件，主要针对的是打印体的文字识别，对手写的文字识别能力较差，支持多国语言（中文、英文、日文、韩文等）。是开源世界里最强的一款OCR组件。当然和世界最强的OCR工具Abbyy相比还是有一点差距，尤其在图片质量较差时，差距还是明显的。

网上有很多关于如何使用这个组件的介绍，不过都是针对英文识别的。而如果是对中文或日文等方块字进行识别，除了需要使用不同的语言包外，还要对Tesseract做一些特别的设置，否则识别率会很低，以下我就和大家分享一下我使用Tesseract对日文做OCR的一些经验。

第一步，是要下载Tesseract组件，最简单的方法就是使用VisualStudio的NUGet来下载。选择第一个组件。

第二步，下载日文语言包，由于在大陆地区无法访问google，所以不能打开官网直接下载语言包。我给出文件的地址，可以使用迅雷下载。

http://tesseract-ocr.googlecode.com/files/tesseract-ocr-3.02.jpn.tar.gz。

下载完成后将语言包文件解压后放到tessdata文件夹下。

到目前为止，准备工作已经就绪，可以开始编写代码。

第三步，初始化Tesseract组件，代码如下。

TesseractEngine engine = new TesseractEngine(@"tessdata文件夹路径", "jpn", EngineMode.Default))。

第四步，设置OCR参数，关于各参数的解释，可以参照官网。

Useful parameters for Japanese and Chinese。

Some Japanese tesseract user found these parameters helpful for increasing tesseract-ocr (3.02) accuracy for Japanese :。

Name Suggested value Description 。

chop_enable T Chop enable. 。

use_new_state_cost F Use new state cost heuristics for segmentation state evaluation 。

segment_segcost_rating F Incorporate segmentation cost in word rating? 。

enable_new_segsearch 0 Enable new segmentation search path. It could solve the problem of dividing one character to two characters 。

language_model_ngram_on 0 Turn on/off the use of character ngram model. 。

textord_force_make_prop_words F Force proportional word segmentation on all rows. 。

edges_max_children_per_outline 40 Max number of children inside a character outline. Increase this value if some of KANJI characters are not recognized (rejected). 。

以下是代码　

engine.SetVariable("chop_enable ", "F");。

engine.SetVariable("enable_new_segsearch", 0);。

engine.SetVariable("use_new_state_cost ", "F");。

engine.SetVariable("segment_segcost_rating", "F");。

engine.SetVariable("language_model_ngram_on", 0);。

engine.SetVariable("textord_force_make_prop_words", "F");。

engine.SetVariable("edges_max_children_per_outline", 50);。

这里面chop_enable参数与官网推荐的不太一样，我发现按照官网的设置，会有很多文字识别不出来。

第五步，开始识别。

var page = engine.Process(p);。

var testText = page.GetText();。

var c=page.GetMeanConfidence();。

第一行代码返回一个Page对象，通过该对象可以获得识别的文本，而且还可以获得识别文本所在位置（这个在识别非固定模式文档时非常有用，可以根据关键字动态查找识别字段位置）。

在例子中OCR做全文识别，但是做全文识别很多情况下识别质量一般，最好增加识别区域参数，同时将PageSegMode参数设置为PageSegMode.SingleBlock（代表多行大小相同的文字）或PageSegMode.SingleRow（代表单行大小相同的文字）。

第二行和第三行分别返回识别的文本与识别的信任度。在实际使用时我发现识别信任度不是特别有用。无论识别对错，信任度基本在0.7左右，有些时候信任度较高，识别结果反而是错误的。

经过以上几步，就可以完成日文的OCR。但要让以上代码成功运行，还必须要在安装VC++运行时2012，否则会报错。

我使用以上方法对扫描图片进行测试，发现识别精确度还是比较高的，尤其在指定区域与PageSegMode参数后。但是日文字库也存在一些低级失误，如将数字“1”识别成了汉字“一”等。如果要想解决这个问题，必须要从头训练日文，这个工作量非常大！而这真的是Tesseract一个非常不智能的地方，应该支持在原有训练字库的基础上追加训练内容！或者在官网上提供Box文件和训练用Tif供开发者下载。

原文地址：http://www.qianchusai.com/tesseract.html