tesseract使用介绍

0.前言

  Tesseract是一款开源的OCR引擎，2005年被惠普实验室开发，2006年被谷歌开发者及其他开源组织者维护开发。Tesseract3.x基于传统的计算机视觉算法，在Tesseract4中，Tesseract 实现了一个基于LSTM的识别引擎。识别图像中单个的字符，我们通常使用CNN网络。对于任意长度的字符串的识别，我们通常使用LSTM.Tesseract4中包含了Tesseract3中的OCR引擎，但是默认使用LSTM引擎.

1.How to install Tesseract on Ubuntu and macOS

  • Tesseract library (libtesseract)
  • Command line Tesseract tool (tesseract-ocr)
  • Python wrapper for tesseract (pytesseract)

1.1. Install Tesseract 4.0 on Ubuntu 18.04

1
2
3
4
sudo apt install tesseract-ocr
sudo apt install libtesseract-dev
sudo pip install pytesseract

1.2. Install Tesseract 4.0 on Ubuntu 14.04, 16.04, 17.04, 17.10

1
2
3
4
5
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. Install Tesseract 4.0 on macOS

1
2
3
4
# If you have tesseract 3 installed, unlink first by uncommenting the line below 
# brew unlink tesseract 
brew install tesseract --HEAD
pip install pytesseract

1.4. Checking Tesseract version

tesseract --version

2.Tesseract Basic Usage

  • Input filename: 待识别的图像
  • OCR language:　识别图像中字体中的语言，在命令行和pytesseract，使用-l 选项
  • OCR Engine Mode(oem):tesseract4有2个ocr引擎(legacy,lstm),用—oem选项去设置
    0 Legacy engine only.
    1 Neural nets LSTM engine only.
    2 Legacy + LSTM engines.
    3 Default, based on what is available.
  • Page Segmentation Mode(psm): psm 或许是非常有用的，对于结构化文本有额外的信息对于python和命令行工具默认是3,c++　API默认是6.
    0 只有方向和脚本检测（OSD）。
    1 使用OSD自动分页。
    2 自动分页，但没有OSD或OCR。
    3 全自动页面分割，但没有OSD。（默认）
    4 假设一列可变大小的文本。
    5 假设一个统一的垂直排列文本块。
    6 假设一个统一的文本块。
    7 将图像作为单个文本行处理。
    8 将图像视为一个单词。
    9 将图像视为一个圆圈中的单个单词。
    10 将图像视为单个字符。

2.1 Command Line Usage

1
2
3
4
# Output to terminal
tesseract image.jpg stdout -l eng --oem 1 --psm 3
# Output to output.txt 
tesseract image.jpg output -l eng --oem 1 --psm 3

2.2 Using pytesseract

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
import cv2
import sys
import pytesseract
 
if __name__ == '__main__':
 
  if len(sys.argv) < 2:
    print('Usage: python ocr_simple.py image.jpg')
    sys.exit(1)
   
  # Read image path from command line
  imPath = sys.argv[1]
     
  # Uncomment the line below to provide path to tesseract manually
  # pytesseract.pytesseract.tesseract_cmd = '/usr/bin/tesseract'
 
  # Define config parameters.
  # '-l eng'  for using the English language
  # '--oem 1' for using LSTM OCR Engine
  config = ('-l eng --oem 1 --psm 3')
 
  # Read image from disk
  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)