Tesseract-OCR 的安装与使用

上篇博文写到爬取教务系统获取信息时，登录时的验证码是手动输入的，所以就想试试能不能自别识别验证码并填充。查阅了很多信息，选取了Tesseract。

What is Tesseract ？

Tesseract是能够运行在多种操作系统上的开源ORC（Optical Character Recognition , 光学字符识别）引擎，目前由Google维护，是最精确的开源ORC引擎之一。与Microsoft Office Document Imaging（MODI）相比，我们可以不断地训练，使图像转换文本的能力不断增强；如果团队深度需要，还能以它为模板，开发出符合自身需求的OCR引擎。

How to use Tesseract

1. 安装

ubuntu 下可以直接进行安装

安装图像解析的包

sudo apt-get install libpng12-dev
sudo apt-get install libjpeg62-dev
sudo apt-get install libtiff4-dev
           

查看是否安装成功

limeng@KID:~$ tesseract --version
tesseract .-beta.--g607e
 leptonica-.
  libjpeg b (libjpeg-turbo .) : libpng . : libtiff . : zlib . : libwebp . : libopenjp2 .
 Found AVX2
 Found AVX
 Found SSE
           

其他发行版参考GitHub教程：https://github.com/tesseract-ocr/tesseract/wiki

2. 使用

tesseract imagename|imagelist|stdin outputbase|stdout [options...] [configfile...]
           

以下内容为本人自己翻译，有可能不准确，有能力直接看英文使用手册即可。

OCR 的一些参数:

参数	作用
-l LANG[+LANG]	指定ORC使用的语言。
-c VAR=VALUE	指定一些配置，支持多组-c参数。
–psm N	指定分割模式。
–oem N	指定OCR引擎模式。
–tessdata-dir PATH	指定tessdata的位置。
–user-words PATH	指定user words file的位置。
–user-patterns PATH	指定patterns file的位置。

注意: 选项的使用要在任何配置文件前。

页面分割的模式:

code	function
只做方向和脚本的检测 (OSD)。
1	使用OSD自动分割。
2	自动分割，但不是用OSD或OCR。
3	完全自动分割，但不是用OSD。(缺省情况)
4	假定是可变大小的单列文本。
5	假定是个包含垂直对齐文本的整齐的块。
6	假定是个整齐的块。
7	把图像视为一行文字。
8	把图像视为单个单词。
9	将图像视为圆圈中的单个单词。
10	把图像视为单个字符。
11	稀疏文字，找到尽可能多的文本，不以特定的顺序。
12	稀疏文字，利用OSD处理。
13	原生线，通过传递Tesseract特殊的信息把图像视为单一的文本行。

OCR 引擎模式:

code	function
只用传统引擎
1	只用神经网络LSTM引擎
2	传统 + LSTM 引擎
3	默认(缺省)，基于有哪个引擎

在网上找了一个比较好识别的图片，如下：

识别结果如下：

limeng@KID:~/Desktop$ tesseract test.jpg result -l eng --psm  digits
Tesseract Open Source OCR Engine v4..-beta.--g607e with Leptonica
limeng@KID:~/Desktop$ cat result.txt 

           

因为没有对图片灰度化、二值化、降噪等处理，直接识别不能保证很准确。

在程序中使用

直接用调用上面用到的命令

//OCR的使用是以命令方式调用
    public static String getImgText(String imgPath) {
        String result = "";
        BufferedReader br = null;
        //识别语言
        String ocrLangData = "-l eng";
        String outPath = imgPath.substring(, imgPath.lastIndexOf("."));
        File file = new File(outPath + ".txt");
        try {
            //终端执行
            Runtime runtime = Runtime.getRuntime();
            String command = "tesseract " + imgPath + " " + outPath +" "+ ocrLangData +" digits";
            Process ps = runtime.exec(command);
            ps.waitFor();
            //读取文件
            br = new BufferedReader(new FileReader(file));
            String temp = "";
            StringBuffer sb = new StringBuffer();
            while ((temp = br.readLine()) != null) {
                sb.append(temp);
            }
            //保存识别结果
            result = sb.toString();
        } catch (Exception e) {
            System.out.println("识别图片异常！");
            e.printStackTrace();
        }finally{
            try {
                br.close();
                file.delete();
            } catch (IOException e) {
                e.printStackTrace();
            }
        }
        return result;
    }
           

Summary

自己以前并没有接触过模式识别过一块，只稍微了解了一下，看了李飞飞（斯坦福计算机视觉实验室负责人）在TED的演讲，感觉如何研究计算机识别图片并理解图片是蛮有趣的，但是感觉自己差很多东西，毕竟自己没有接触过AI（Artificial Intelligence）和深度学习（Deep learning）等。

以前总感觉它们太遥远，其实就在我们身边。

References

Tesseract-Wikipedia(software)

GitHub中Tesseract的Wiki

Tesseract的man手册