光學字元識別(ocr,optical character recognition)是指對文字資料進行掃瞄，然後對影象檔案進行分析處理，獲取文字及版面資訊的過程。ocr技術非常專業，一般多是印刷、列印行業的從業人員使用，可以快速的將紙質資料轉換為電子資料。關於中文ocr，目前國內水平較高的有清華文通、漢王、尚書，其產品各有千秋，**不菲。國外ocr發展較早，像一些大公司，如ibm、微軟、hp等，即使沒有推出單獨的ocr產品，但是他們的研發團隊早已掌握核心技術，將ocr功能植入了自身的軟體系統。對於我們程式設計師來說，一般用不到那麼高階的，主要在開發中能夠整合基本的ocr功能就可以了。這兩天我查詢了很多免費ocr軟體、類庫，特地整理一下，今天首先來談談tesseract。
1、tesseract概述
tesseract的ocr引擎最先由hp實驗室於2023年開始研發，至2023年時已經成為ocr業內最準確的三款識別引擎之一。然而，hp不久便決定放棄ocr業務，tesseract也從此塵封。
數年以後，hp意識到，與其將tesseract束之高閣，不如貢獻給開源軟體業，讓其重煥新生－－2023年，tesseract由美國內華達州資訊科技研究所獲得，並求諸於google對tesseract進行改進、消除bug、優化工作。
tesseract目前已作為開源專案發布在google project，其專案主頁
檢視，其最新版本3.0已經支援中文ocr，並提供了乙個命令列工具。本次我們來測試一下tesseract 3.0，由於命令列對終端使用者不太友好，我用wpf簡單封裝了一下，就可以方便的進行中文ocr了。
1.2、命令列工具解壓縮後如下（不含1.jpg、1.txt）：
1.3、為了進行中文ocr，將簡體中文語言包複製到【tessdata】目錄下：
1.4、在dos下切換到tesseract的命令列目錄，檢視一下tesseract.exe的命令格式：
imagename為待ocr的，outputbase為ocr後的輸出檔案，預設是文字檔案（.txt），lang為使用的語言包，configfile為配置檔案。
1.5、下面來測試一下，準備一張jpg格式的，這裡我是放到了和tesseract同乙個目錄中：
輸入：tesseract.exe 1.jpg 1 -l chi_sim，然後回車，幾秒鐘就ocr完成了：
這裡注意命令的格式：imagename要加上副檔名.jpg，輸出檔案和語言包不需要加副檔名。
ocr結果：
可以看到結果不是很理想，中文識別還說的過去，但是英文、數字大都亂碼。不過作為老牌的ocr引擎，能做到這種程度已經相當不錯了，期待google的後續公升級吧，支援一下。
Tesseract ocr 3 02學習記錄一
光學字元識別 ocr,optical character recognition 是指對文字資料進行掃瞄，然後對影象檔案進行分析處理，獲取文字及版面資訊的過程。ocr技術非常專業，一般多是印刷 列印行業的從業人員使用，可以快速的將紙質資料轉換為電子資料。關於中文ocr，目前國內水平較高的有清華文通 ...
Tesseract OCR引擎 入門
ocr optical character recognition 光學字元識別,是指對檔案中的文字進行分析識別，獲取的過程。tesseract 開源的ocr識別引擎，初期tesseract引擎由hp實驗室研發，後來貢獻給了開源軟體業，後經由google進行改進，消除bug，優化，重新發布。當前版本...
Tesseract OCR引擎 入門
ocr optical character recognition 光學字元識別,是指對檔案中的文字進行分析識別，獲取的過程。tesseract 開源的ocr識別引擎，初期tesseract引擎由hp實驗室研發，後來貢獻給了開源軟體業，後經由google進行改進，消除bug，優化，重新發布。當前版本...