Google开源OCR识别Tesseract介绍

OCR是什么

OCR，即 Optical Character Recognition，光学字符识别，是指通过扫描字符，然后通过其形状将其翻译成电子文本的过程。通常技术中广泛流传的 OCR 指的就是“将图片转成文字”的智能技术。

Tesseract介绍

Tesseract是谷歌开发并开源的图像文字识别引擎，使用python开发。

Tesseract的安装

可以使用预编译(Pre-built)的二进制版本或者从源代码安装，在Ubuntu系统下运行

sudo add-apt-repository ppa:alex-p/tesseract-ocr
sudo apt-get update
sudo apt-get install tesseract-ocr
sudo apt-get install libtesseract-dev
sudo apt-get install tesseract-ocr-chi-sim

验证Tesseract是否正确安装，可以使用命令行来进行验证是否安装成功。

$ tesseract --version

Tesseract的使用

识别的基本用法是“imagename outputbase [options…]”，4.1的版本options只能通过“-l”选择语言。

比如对test.png进行OCR，然后把识别结果保存在test.txt里

tesseract test.png test -l chi_sim

更多的使用命令和方法，可以参照官方教程。

授权和地址

• 目前系统使用的是 pache License 2.0 开源协议，
• 官网介绍：访问 github 搜索 tesseract-ocr/tesseract