OCR----Python调用Tesseract引擎(Ubuntu下)

前言

---

    最近再搞OCR的，用于识别日文报刊，是公司的一个日本项目，做的我是苦不堪言。最近把自己的工作内容写出来，也会做一个系列和专栏，欢迎关注！

    想搞好这个OCR，需要读论文。好在只需要读4篇，都是Tesseract的作者Ray Smith写的。Tesseract目前被Google维护并开源，以后的前景应该会非常好。

    按发表时间排序：

• 2007，An Overview of the Tesseract OCR Engine
• 2009，Hybrid Page Layout Analysis via Tab-Stop Detection
• 2009，Adapting the Tesseract Open Source OCR Engine for Multilingual OCR
• The Fourth Annual Test of OCR Accuracy[不是Ray所写]

    需要深入研究的请戳链接。以上都是英文资料，中国人帮助中国人，所以我会把我翻译过的一部分公布出来，欢迎关注。if 没有公布，欢迎来问，前3篇论文都已经看过2、3遍了，还是知道一些东西的。

---

OCR概述

---

    全称Optical Character Recognition ,中文即：光学字符识别。这是文字自动输入的一种方法，通过扫描和摄像等光学输入方式获取纸张上的文字图像信息，利用各种模式识别算法分析文字形态特征，判断出文字的标准编码，并按通用格式存储在文本文件中，从根本上改变了人们对计算机文字人工编码录入的概念。

    我这就是瞎扯淡。。。大家自己去维基百科上看吧。

---

Tesserct概述

---

    原理和架构会单独拿出来去写，请关注—->传送门(安好啦，快来点啊！ <-_->)。

                                           图1 识别过程图



                                          图2 识别过程图（中文版）

---

入门操作

---

    开发环境（请注意你自己的）：

• Python2.7，用自带的IDLE即可
• Ubuntu14.04 LTS
• Tesseract 3.02

    如果没有这些东西，试了下面的代码不成功，建议使用虚拟机（VM）来安装这些工具。

注意2点：

    1 Tesseract在Github上的Python API，在你自己的电脑不一定能跑通，因为libtesseract.so.3的存储位置不同，需要自己去找自己本机的libtesseract.so.3

    2 Tesseract的处理时间和图片大小有关，越大的图片用时越长，用大图片测试的童鞋请耐心等待

代码如下：

###########################################内容来自：谷震平的博客,http://blog.csdn.net/guzhenping#谷震平原创，请尊重版权！#这个是最精简的Python代码，后续会给出复杂的~~~~~~#使用说明：(1) 注意你的引擎库文件的位置，可能需要修改libname;#(2) 我的待识别图片filename在桌面上,请注意修改，一定要把文件扩展#名带上##########################################import osimport ctypeslibname = "/usr/lib/libtesseract.so.3" # tesseract引擎的动态库lang = "eng" # 识别的语言，eng是英文，chi_sim是中文，自己选择filename = "/home/guzhenping/Desktop/tests.jpg"  # 待识别图片# 加载动态库tesseract = ctypes.cdll.LoadLibrary(libname)TESSDATA_PREFIX = os.environ.get("TESSDATA_PREFIX")# 创建一个handle,请看TessBaseAPI,你就懂了为啥非要有handleapi = tesseract.TessBaseAPICreate()# 初始化引擎rc = tesseract.TessBaseAPIInit3(api,TESSDATA_PREFIX,lang)# 处理待识别图片text_out = tesseract.TessBaseAPIProcessPages(api,filename,None,0)#转成字符串result_text = ctypes.string_at(text_out)print result_text  # 输出结果

---

结语

---

    如果希望深入研究Tesseract，欢迎交友，留言。此外，我还有印象笔记的工作记录。如果可以，欢迎交换研究资料。

    这些工作还有待完善，会慢慢发布的，期待您的关注！

谷震平的原创文章，请尊重版权，转载请注明出处。谢谢~~~~
新开通微信公众号，欢迎关注原创文章：