Tesseract-OCR 4.1.0 安装及使用—windows及CentOS【附Java源码实现】

 截止笔者发文（2019.12.25），tesseract-ocr 最新发布的稳定版本是4.1.0. 而tesseract-ocr需要依赖leptonica，截止笔者发文，最新稳定版本是1.78.0

经过测试得出如下结论：

• 对于宋体，白色背景，非倾斜等，像素大于等于300dpi—识别率%100
• 英文和数字，识别率超过90%
• 特殊字符识别率不高
• 像素太低，识别率急剧下降
• 多种背景颜色变化，识别率极低
• 字体换成草书等，识别率大幅降低
• 电影屏幕字幕和网页截图识别率较低
• 扫描件如果字体太淡，太小，完全识别不出来
• 提高识别率，需要自己做训练集，工作量巨大的体力活（简体汉字最少6753个，混合一些复杂的，至少要10000个字符；不同字体要重新做，因为本质上是图形几何计算，国内科研院所和开源的做的不多—待确认）

转载请注明出处：https://www.cnblogs.com/NaughtyCat/p/how-to-install-tesseract-ocr-on-windows-and-centos.html

• Windows

（1）详情请移步至如下链接，下载安装：

https://github.com/UB-Mannheim/tesseract/wiki

（2）配置环境变量（跟JAVA一样）及添加TESSDATA_PREFIX请参见：

https://www.cnblogs.com/jianqingwang/p/6978724.html

注意需要下载训练集—traineddata：

https://github.com/tesseract-ocr/tessdata

中文请选如下4个：

chi_sim.traineddata （简体— 对于宋体，像素>= 300dpi:识别率高达%100，同时对英文及阿拉伯数字识别率高达百分之90以上）
chi_sim_vert.traineddata （简体，竖排）
chi_tra.traineddata （繁体）
chi_tra_vert.traineddata（繁体，竖排）【CoderBaby】

• CentOS 6

（1）下载Leptonica 和 Teseract 源码

wget http://www.leptonica.org/source/leptonica-1.78.0.tar.gz
wget https://github.com/tesseract-ocr/tesseract/archive/4.1.0.tar.gz

（2）配置、编译和安装

 $ tar xzvf leptonica-1.78.0.tar.gz      
 $ cd leptonica-1.78.0     
 $ ./configure
 $ make
 $ sudo make install

 $ tar xzf tesseract-ocr-4.1.0.tar.gz
 $ cd tesseract-4.1.0
 $ ./autogen.sh
 $ ./configure
 $ make
 $ sudo make install
 $ sudo ldconfig

（3）下载语言包，并且拷贝到testdata

$ wget http://tesseract-ocr.googlecode.com/files/tesseract-ocr-3.02.eng.tar.gz       
$ tar xzf tesseract-ocr-3.02.eng.tar.gz       
$ sudo cp tesseract-ocr/tessdata/* /usr/local/share/tessdata

• 测试数据（图片）说明及下载地址

具体说明及测试效果请参见：https://ocr.space/blog/2015/03/best-ocr-software-for-chinese.html

相关测试图片请参见：https://github.com/A9T9/OCR-Benchmark

•  如何做自己的测试数据集

请参考官网：https://github.com/tesseract-ocr/tesseract/wiki/Training-Tesseract-3.00%E2%80%933.02 

• Java源码实现，tika集合Tesseract-OCR

（1）源码如下(支持多个图片识别）

    @Test
    public void testCode() throws IOException, SAXException, TikaException, InterruptedException {
        List<String> fileNames = new ArrayList<>();
        fileNames.add("chi_eng.png");
        fileNames.add("chi_eng01.png");
        fileNames.add("chi_old.png");
        fileNames.add("chi-scan-75dpi.jpg");
        fileNames.add("chi-scan-100dpi.jpg");
        fileNames.add("chi-scan-300dpi.jpg");
        fileNames.add("chi-smartphone.jpg");
        fileNames.add("chi-subtitle-v1.jpg");
        fileNames.add("english00.png");
        fileNames.add("pdf_shaomiao.png");
        fileNames.add("test.tiff");
        fileNames.add("weather.png");

        // 转载请注明出处：https://www.cnblogs.com/NaughtyCat/p/how-to-install-tesseract-ocr-on-windows-and-centos.html
        TesseractOCRParser parser = new TesseractOCRParser();

        TesseractOCRConfig config = new TesseractOCRConfig();
        // 设置简体中文训练集
        config.setLanguage("chi_sim");
        // 设置Tesseract 安装路径
        config.setTesseractPath("C:/Program Files/Tesseract-OCR");
        // 设置train data 路径
        config.setTessdataPath("C:/Program Files/Tesseract-OCR/tessdata");

        ParseContext context = new ParseContext();
        context.set(TesseractOCRConfig.class, config);
        context.set(TesseractOCRParser.class, parser);

        fileNames.forEach(filename -> {
            BodyContentHandler handler = new BodyContentHandler();
            File file = new File("E:/tika/testData" + File.separator + filename);
            if (file.exists()) {
                Metadata metadata = new Metadata();
                try (InputStream stream = new FileInputStream(file)) {
                    parser.parse(stream, handler, metadata, context);
                } catch (Exception e) { }
                handler.toString();
            }
        });
    }
}

(2)原始图片及效果

转换效果如下图：

参考：

1）https://stackoverflow.com/questions/23792373/installing-tesseract-ocr-on-centos-6

2）http://www.zmonster.me/2015/04/17/tesseract-install-usage.html 

*****************************************************************************************************

精力有限，想法太多，专注做好一件事就行

• 我只是一个程序猿。5年内把代码写好，技术博客字字推敲，坚持零拷贝和原创
• 写博客的意义在于打磨文笔，训练逻辑条理性，加深对知识的系统性理解；如果恰好又对别人有点帮助，那真是一件令人开心的事

*****************************************************************************************************

标签：ocr,4.1,识别率,chi,fileNames,add,源码,tesseract,OCR
来源： https://www.cnblogs.com/NaughtyCat/p/how-to-install-tesseract-ocr-on-windows-and-centos.ht