Ubuntu下安装使用 tesseract-ocr


tesseract-ocr是开源的光学字符识别引擎，有Google的支持，支持很多种语言的识别，下面说一下 我在Ubuntu下安装步骤

其实官方文档上说的很细，下面列出其中的命令，

  1. sudo apt-get install autoconf automake libtool  
  2. sudo apt-get install libpng12-dev  
  3. sudo apt-get install libjpeg62-dev  
  4. sudo apt-get install libtiff4-dev  
  5. sudo apt-get install zlib1g-dev  

注意最后一个zlib1g-dev中的1g是数字1，而不是小写字母l,

  1. sudo apt-get install libleptonica-dev  

下载源文件包解压（目前是3.0），进入目录

  1. ./runautoconf  
  2. ./configure  
  3. make  
  4. sudo make install  

下载语言数据包解压：你可以在这找到更多的语言包

  1. gzip -d eng.traineddata.gz  

移动到数据包安装目录下，默认为 /usr/local/share/tessdata

  1. mv eng.traineddata /usr/local/share/tessdata  
  2.   
  3. export TESSDATA_PREFIX=/usr/local/share/  

安装图片格式转换工具，因为tesseract只识别tif格式的图片。

  1. apt-get install imagemagick  

你可以使用下面的命令转换图片

  1. convert a.jpg a.tif  

好了，测试一下吧

  1. tesseract <image> <outputbasename> [-l lang] [configs]  
  2.   
  3. tesseract a.tif a  
默认为英语，如果你要识别其它语言请使用-l 参数指定，如
  1. tesseract a.tif a -l chi_sim  
  2.   
  3. cat a.txt  

你将会看到识别出的文字，太棒了。好了，下面就可以用程序去调用识别文字了，

对于java你也可以使用tess4j封装的API，对于PHP你可以使用exec调用再对文件进行处理，

如果你遇到 lib **.so 找不到请运行

  1. sudo ldconfig  

相关内容