1 如何在Ubuntu和windows上安装Tesseract

详细安装操作见：
https://github.com/tesseract-ocr/tesseract/wiki
我们将安装：
Tesseract库（libtesseract）
命令行Tesseract工具（tesseract-ocr）
用于tesseract的Python包装器（pytesseract）
在本教程的后面部分，我们将讨论如何为英语以外的语言安装语言和脚本文件。
1.1 在ubuntu18.04上安装Tesseract4

Tesseract 4包含在Ubuntu 18.04中，因此我们将使用Ubuntu软件包管理器直接安装它。具体命令见：
sudo apt install tesseract-ocr
sudo apt install libtesseract-dev
sudo pip install pytesseract
1.2 在Ubuntu 14.04,16.04,17.04,17.10上安装Tesseract 4.0
由于某些依赖性，只有Tesseract 3可从官方发布渠道获得，适用于早于18.04的Ubuntu版本。幸运的是Ubuntu PPA - alex-p /

tesseract-ocr为Ubuntu版本14.04,16.04,17.04,17.10维护Tesseract

4。我们将这个PPA添加到我们的Ubuntu机器并安装Tesseract。如果您拥有除此之外的Ubuntu版本，则必须从源代码编译Tesseract。具体命令见：
sudo add-apt-repository ppa:alex-p/tesseract-ocr
sudo apt-get update
sudo apt install tesseract-ocr
sudo apt install libtesseract-dev
sudo pip install pytesseract
1.3 在windows下安装Tesseract 4.0
Tesseract本身没有windows的安装包，不过它指定了一个第三方的封装的windows安装包，在其wiki上有说明，大家可直接到这个地址进行下载：
 https://digi.bib.uni-mannheim.de/tesseract/ 
其中文件名中带有 dev 的为开发版本，不带 dev 的为稳定版本。
下载后就是一个exe安装包，直接右击安装即可，安装完成之后，配置一下环境变量，编辑 系统变量里面 path，添加下面的安装路径：
C:\Program Files (x86)\Tesseract-OCR
具体使用安装见：
 https://www.cnblogs.com/gl1573/p/9876397.html
 https://blog.csdn.net/qq_35531549/article/details/95191677
1.4 检查Tesseract版本
要检查前面的步骤中是否一切正常，请在命令行上尝试以下操作
tesseract –version
你会看到输出类似于
tesseract 4.0.0-beta.1-306-g45b11
leptonica-1.76.0
libjpeg 9c : libpng 1.6.34 : libtiff 4.0.9 : zlib 1.2.8
Found AVX2
Found AVX
Found SSE
2 Tesseract基本用法
如前所述，我们可以使用命令行实用程序或使用Tesseract API将其集成到我们的C ++和Python应用程序中。在最基本的用法中，我们指定以下内容
(1) 输入文件名：我们在下面的例子中使用image.jpg。
(2) OCR语言：我们基本示例中的语言设置为英语（eng）。在命令行和pytesseract上，使用-l选项指定它。
(3) OCR引擎模式（oem）：Tesseract 4有两个OCR引擎 - 1）Legacy Tesseract引擎2）LSTM引擎。使用该--

oem选项可以选择四种操作模式。0仅限传统引擎、1神经网络仅限LSTM引擎、2 Legacy + LSTM引擎、3默认，基于可用的内容。
(4) 页面分段模式（psm）：当您有关于文本结构的其他信息时，PSM非常有用。我们将在后续教程中介绍其中一些模式。在本教程中，我们将坚持使用psm =

3（即PSM_AUTO）。注意如果未指定PSM，则在命令行和python版本中默认为3，但在C ++ API中默认为6。如果使用命令行版本和C ++

API未获得相同的结果，请显式设置PSM。
如果你想查看具体参数，命令行输入
tesseract --help-psm
或者tesseract –help-oem
PSM命令详解：
0 = Orientation and script detection (OSD) only.
1 = Automatic page segmentation with OSD.
2 = Automatic page segmentation, but no OSD, or OCR
3 = Fully automatic page segmentation, but no OSD. (Default)
4 = Assume a single column of text of variable sizes.
5 = Assume a single uniform block of vertically aligned text.
6 = Assume a single uniform block of text.
7 = Treat the image as a single text line.
8 = Treat the image as a single word.
9 = Treat the image as a single word in a circle.
10 = Treat the image as a single character.
2.1 命令行用法
以下示例显示了如何使用tesseract命令行工具执行OCR。选择语言为英语，OCR引擎模式设置为1（即仅限LSTM）。
# Output to terminal 输出到终端
tesseract image.jpg stdout -l eng --oem 1 --psm 3
# Output to output.txt 输出到到txt文档
tesseract image.jpg output -l eng --oem 1 --psm 3
2.2 使用pytesseract
在Python中，我们使用pytesseract模块。它只是命令行工具的包装器，其中使用config参数指定了命令行选项。基本使用要求我们先阅读使用OpenCV的图像，并通过图像image_to_string的pytesseract类的方法与语言（ENG）一起。Pytesseract通过pip

install Pytesseract就可以安装。详细使用代码见：
import cv2
import pytesseract
# 图像路径
imPath = 'image/computer-vision.jpg'
config = ('-l eng --oem 1 --psm 3')
# Read image from disk 获得彩色图像
im = cv2.imread(imPath, cv2.IMREAD_COLOR)
# Run tesseract OCR on image
text = pytesseract.image_to_string(im, config=config)
# Print recognized text
print(text)
2.3 使用C ++ API
在C ++版本中，我们首先需要包括tesseract / baseapi.h和leptonica/allheaders.h。然后，我们创建一个指向TessBaseAPI类实例的指针。我们将语言初始化为英语（eng），将OCR引擎初始化为tesseract:: OEM_LSTM_ONLY（这相当于命令行选项 --oem1）。最后，我们使用OpenCV读取图像，并使用其SetImage方法将此图像传递给OCR引擎。使用GetUTF8Text（）读出输出文本。详细使用代码下：
#include <string>
#include <tesseract/baseapi.h>
#include <leptonica/allheaders.h>
#include <opencv2/opencv.hpp>
using namespace std;
using namespace cv;
int main()
    string outText;
    string imPath = "image/receipt.png";
    // Create Tesseract object
    tesseract::TessBaseAPI *ocr = new tesseract::TessBaseAPI();
     Initialize OCR engine to use English (eng) and The LSTM 
     OCR engine.
     There are four OCR Engine Mode (oem) available
     OEM_TESSERACT_ONLY             Legacy engine only.
     OEM_LSTM_ONLY                  Neural nets LSTM engine only.
     OEM_TESSERACT_LSTM_COMBINED    Legacy + LSTM engines.
     OEM_DEFAULT                    Default, based on what is available.
    // 初始化
    ocr->Init(NULL, "eng", tesseract::OEM_LSTM_ONLY);
    // Set Page segmentation mode to PSM_AUTO (3)
    // Other important psm modes will be discussed in a future post.
    // 设置分割模式
    ocr->SetPageSegMode(tesseract::PSM_AUTO);
    // Open input image using OpenCV
    Mat im = cv::imread(imPath, IMREAD_COLOR);
    // Set image data
    ocr->SetImage(im.data, im.cols, im.rows, 3, im.step);
    // Run Tesseract OCR on image
    outText = string(ocr->GetUTF8Text());
    // print recognized text
    cout << outText << endl;
    // Destroy used object and release memory
    ocr->End();
    return 0;
Windows下使用tesseract需要编译后使用，编译教程见：
 http://www.dengb.com/cjjc/1345780.html
2.4 语言包错误
您可能会遇到错误Error opening data file tessdata/eng.traineddata
它只是意味着语言包（tessdata / eng.traineddata）不在正确的路径中。您可以通过两种方式解决此问题。
1：确保文件位于预期路径中（例如，在linux上，路径为/usr/share/tesseract-ocr/4.00/tessdata/eng.traineddata）。
2：创建目录tessdata，下载eng.traineddata并将文件保存到tessdata/eng.traineddata。然后，您可以指示Tesseract使用查找此目录中的语言包。(这种方法不推荐问题很多)。
如果你想下载新的语言库，下载地址见：
 https://github.com/tesseract-ocr/tessdata 
3 结果与评价
Tesseract是一种通用的OCR引擎，但是当我们在普通字体的纯白色背景上使用干净的黑色文本时，它最有效。当文本大致水平且文本高度至少为20像素时，它也可以很好地工作。如果文本具有周围边界，则可以将其检测为一些随机文本。具体使用类似于平常OCR软件。如果能够联网建议使用百度云OCR。
所有代码见：
 https://github.com/luohenyueji/OpenCV-Practical-Exercise

具体评测见：

 https://segmentfault.com/a/1190000012861561?utm_source=tag-newest
如果使用tesseract，在实际工程tesseract错误率很高，识别率极差。一般需要对图像进行各种图像处理后再用tesseract识别，最后根据错误类型进行二次识别。tesseract的错误还是具有一定规律的。另外tesseract识别中文效果并不好，你要制作专门的中文训练集通过jTessBoxEditor.jar去训练它，但是整个制作流程较为复杂。具体见：
 https://github.com/tesseract-ocr/tesseract/wiki/TrainingTesseract-4.00
tesseract要想有好的识别效果，就必须有大量的训练样本。但是tesseract对英文支持还是不错的。
 https://www.learnopencv.com/deep-learning-based-text-recognition-ocr-using-tesseract-and-opencv/ 
    本文来自博客园，作者：落痕的寒假，转载请注明原文链接：https://www.cnblogs.com/luohenyueji/p/16990948.html