tesseract 识别中文字符

tesseract是谷歌的一个对图片进行识别的开源框架，免费使用，现在已经支持中文，而且识别率非常高，这里简要来个helloworld级别的认识

下载地址：http://code.google.com/p/tesseract-ocr/downloads/detail?name=tesseract-ocr-setup-3.01-1.exe&can=2&q=

下载之后进行安装，不再演示。

在tesseract目录下，有个tesseract.exe文件，主要调用这个执行文件，用cmd运行到这个目录下，在这个目录下同时放置一张需要识别的图片，这里是123.jpg

然后运行:tesseract 123.jpg result

会把123.jpg自动识别并转换为txt文件到result.txt

但是此时中文识别不好，要下载一个中文包：http://code.google.com/p/tesseract-ocr/downloads/detail?name=chi_sim.traineddata.gz&can=2&q=

然后找到tessdata目录，把eng.traineddata替换为chi_sim.traineddata,并且把chi_sim.traineddata重命名为eng.traineddata

ok,现在中文识别基本达到90%以上了

测试下：

源文件（图片）：此开卷第一回也。作者自云曾历过一番梦幻之后，故将真事隐去，

而借“通灵”说此《石头记》一书也，故曰“甄士隐”云云。但书中所记何事何人？

Tesseract release notes August 27 2007 - V2.01

Fixed UTF8 input problems with box file reader.

4-834578457384578-871238917238912739823749834789

 

输入：tesseract 123.jpg result

 

测试结果为：

 

此开卷第一回也. 作者酝曾历过一番梦幻之后, 故将真事隐去, 

而借 “通灵" 说此 «石头记» 一书也, 故日 “甄士隐" 云云,但书中所记何事何人7

Tesseract re1ease notes August Z7 Z007 7 \「Z.O1

Fixed [二TFS input prob1ems \vit11 box fi1e reader.

4783457845738457S7871Z38917Z38912739S23749834789

 

识别率还是蛮高的，，，更详细的需要自己去钻研了。