Ubuntu的OCR识别软件包Tesseract

这个包据说是开源的OCR中非常好用的一个,在图像识别的领域里,tesseract-ocr引擎曾是1995年UNLV准确度测试中最顶尖的三个引擎之一。在1995年到2006年期间,它几乎没有什么改动,但是它可能仍然是现在最准确的开源OCR引擎之一。它会读取二进制的灰度或者彩色的图像,并输出文字。一个内建的tiff阅读器让它可以读取未压缩的TIFF图像,但是如果要读取压缩过的TIFF图像,它还需要一个附加的libtiff库。

下载

下载地址是:http://code.google.com/p/tesseract-ocr/downloads/list

这里有比较全的文档、源码、语言包等必要数据。当然我们主要是下载 tesseract-ocr-3.02.02.tar.gz 然后根据README进行配置编译。

当然,如果图方便也可以直接在ubuntu中用apt来下载:

$sudo apt-get install tesseract-ocr

安装

基本上按照README 的提示去做就可以了,不过有两点需要注意:

1、这里用的是autorun.sh进行的生成,需要执行aclocal命令,没有安装这个命令会报错。安装方法见aclocal的安装

2、在执行./configure的时候发现这个还需要一个依赖包leptonica,否则无法配置。这个包可以在这里下载。查看README直接安装即可。

语言包

除了下载源码,我们还需要下载语言包,根据需要可以在之前的页面中下载。下载后会得到一个tessdata文件夹,文件夹下有一堆的文件。

接下来我们只需要把这里的东西丢到/usr/local/share/tessdata 里去就可以了,这里保存的就是语言库。

测试

tesseract  b.png res

程序会生成res.txt 文件显示识别到的内容。

结果

测试了好多组数据,无论是规范的文字还是不规范的验证码,识别的效果都很不理想。。。看来这个东西还是没得用。。。