OCR和tesseract项目

Posted on Edited on

什么是OCR？

OCR（Optical Character Recognition，光学字符识别），针对印刷体字符，采用光学的方式将纸质文档中的文字转换成为黑白点阵的图像文件，并通过识别软件将图像中的文字转换成文本格式，供文字处理软件进一步编辑加工的技术。

什么是tesseract？

谈到OCR就一定要首先聊聊tesseract。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。目前已作为开源项目发布，大部分的开发人员均来自于Google。

目前最新版本是4.0（Oct 29 2018）。4.0版本主要增加了新的基于LSTM神经网络的引擎，识别率和正确率得到提高。

  • 添加了一个新的OCR引擎，该引擎使用基于LSTM的神经网络系统，具有很高的准确性。
  • 这包括LSTM OCR引擎的新的训练工具。可以从头开始或通过微调现有模型来训练新模型。
  • 添加了经过训练的数据，其中包括多种语言的LSTM模型。

tesseract的相关库

Python-tesseract是tesseract-OCR引擎的Python包装器。 它作为独立的调用脚本也很有用，因为它可以读取Python Imaging Library支持的所有图像类型，包括jpeg，png，gif，bmp，tiff等，而tesseract-ocr默认只支持 tiff 和 bmp。此外，如果用作脚本，Python-tesseract也可以将已识别的文本直接打印出来。

tesseract.js是tesseract-OCR引擎的JavaScript库器。通过npm安装

1
npm install tesseract.js --save

tesseract的相应软件

gImageReader：A Gtk/Qt front-end to tesseract-ocr.

TesseractStudio.Net：A free Windows graphical interface to the Tesseract 4.0 OCR engine.

待续其他：

  • tesseract中LSTM的具体分析；
  • tesseract如何使用；
  • pytesseract如何使用；
  • tesseract使用的正确率测试

关于tesseract的训练介绍