Tesseract-OCR学习系列(二)构建

Build project from Tesseract Source Code for Visual Studio 2012

上一节讲到,如果直接编译libtesseract304工程,会有报错。说找不到某个头文件。看来,Tesseract还依赖于第三方的库。当然,这么没来由的瞎猜也不是个事儿。还不如再上官网找找线索。

果然,有一个页面就专门讲如何安装来着。如果你打算用Linux系统来编译(比如说Ubuntu),那么你就需要安装一些其它的库:

sudo apt-get install autoconf automake libtool
sudo apt-get install pkg-config
sudo apt-get install libpng12-dev
sudo apt-get install libjpeg62-dev
sudo apt-get install libtiff4-dev
sudo apt-get install zlib1g-dev

如果你还想要训练,那就还得再多装一点:

sudo apt-get install libicu-dev
sudo apt-get install libpango1.0-dev
sudo apt-get install libcairo2-dev

你还需要安装Leptonia……这里就不详细说了,因为我的目标是要安装Windows的版本,所选择的编译器是Visual Studio 2012。

可怕的事情发生了,官网上居然只支持VS2015!

Tesseract-OCR学习系列(二)构建_第1张图片
官网关于3.04.01的安装建议

然而,机智如我怎么可能为此而安装Visual Studio 2015。毕竟公司给配的电脑的运行速度正处在令我满意的边界值。我怕再装一个编译器会大大有损我司在我心目中的形象。不过现在是搞清楚了,我们需要安装的东西,就是Leptonica。那我去找个针对Visual Studio 2012的Leptonica不就完了吗?

还真让我给找着了!【GitHub Repo】

果断下载。

先来找找上一篇中找不到的allheaders.h吧。

Tesseract-OCR学习系列(二)构建_第2张图片

原来就躲在liblept的头文件中呢。顿时有了信心。

打开tesseract.sln

Tesseract-OCR学习系列(二)构建_第3张图片

解决方案中包含的项目如下:

Tesseract-OCR学习系列(二)构建_第4张图片

发现项目的属性中,平台工具集为v120。v120表示的是Visual Studio 2013。(GitHub的作者一开始的目标是VS2012来着,后来不知为什么转而支持VS2013去了。)

Tesseract-OCR学习系列(二)构建_第5张图片

因此,我们需要将 所有项目的平台工具集属性都改成v110。 (Debug|Release)都要改哦!

另外,Visual Studio 2012 的ToolsVersion为4.0。所以也需要手动修改一下所有项目*.vcxproj中的ToolsVersion:


再着就开始生成吧:

  • 生成zlib-128,成功。
  • 生成libtiff-394,有警告,成功。
  • 生成libpng-143,成功。
  • 生成libjpeg-8c,成功。
  • 生成giflib-416,有警告,成功。
  • 生成liblept-171,失败……

额,失败了……主要原因是在函数中间定义变量,而未在函数一开始定义变量。VC2012不支持这么写。比如说,这样一个函数:

void
lept_direxists(const char  *dir,
               l_int32     *pexists)
{
    char  *realdir;
 
    if (!pexists) return;
    *pexists = 0;
    if (!dir) return;
    if ((realdir = genPathname(dir, NULL)) == NULL)
        return;
 
#ifndef _WIN32
    {
    struct stat s;
    l_int32 err = stat(realdir, &s);
    if (err != -1 && S_ISDIR(s.st_mode))
        *pexists = 1;
    }
#else  /* _WIN32 */
    l_uint32  attributes; //line 21
    attributes = GetFileAttributes(realdir);
    if (attributes != INVALID_FILE_ATTRIBUTES &&
        (attributes & FILE_ATTRIBUTE_DIRECTORY)) {
        *pexists = 1;
    }
#endif  /* _WIN32 */
 
    FREE(realdir);
    return;
}

21行的声明没有放在开头写,所以需要修改成:

void
lept_direxists(const char  *dir,
               l_int32     *pexists)
{
    char  *realdir;
    l_uint32  attributes; //原来的第21行
 
    if (!pexists) return;
    *pexists = 0;
    if (!dir) return;
    if ((realdir = genPathname(dir, NULL)) == NULL)
        return;
 
#ifndef _WIN32
    {
    struct stat s;
    l_int32 err = stat(realdir, &s);
    if (err != -1 && S_ISDIR(s.st_mode))
        *pexists = 1;
    }
#else  /* _WIN32 */
 
    attributes = GetFileAttributes(realdir);
    if (attributes != INVALID_FILE_ATTRIBUTES &&
        (attributes & FILE_ATTRIBUTE_DIRECTORY)) {
        *pexists = 1;
    }
#endif  /* _WIN32 */
 
    FREE(realdir);
    return;
}

全都是这样的问题。修改之后,成功生成。 将Release与Debug全都生成完后,在build/lib/Win32目录下,就会产生那么几个重要的文件。

Tesseract-OCR学习系列(二)构建_第6张图片

接下来,我们再回过头来看一下 libtesseract304的属性页。其添加的库目录为 ..\..\..\lib

Tesseract-OCR学习系列(二)构建_第7张图片

需要添加的库为liblept和libtiff。

Tesseract-OCR学习系列(二)构建_第8张图片

include的目录为 ..\..\..\include..\..\..\include\leptonica

Tesseract-OCR学习系列(二)构建_第9张图片

因此接下来要做的事显得顺理成章,在tesseract的同一级目录中新建 lib文件夹。放入这么些个文件。

Tesseract-OCR学习系列(二)构建_第10张图片

在tesseract的同一级建立 include文件夹,在include文件夹中建立 leptonica文件夹。将liblept中的头文件全部拷入其中。

再次生成,结果还是错误。不过,这次的错误不一样了:

Tesseract-OCR学习系列(二)构建_第11张图片

对应的错误代码在这儿:

Tesseract-OCR学习系列(二)构建_第12张图片

显然是编码方式出了问题。解决方法:

文件->高级保存选项:

Tesseract-OCR学习系列(二)构建_第13张图片

修改为:

Tesseract-OCR学习系列(二)构建_第14张图片

再次生成,继续报错:

Tesseract-OCR学习系列(二)构建_第15张图片

对应到的代码段为:

Tesseract-OCR学习系列(二)构建_第16张图片

显然又是编译器不支持C99导致的错~Visual C 2012,你敢不敢支持一下C99!

无奈,那就修改一下吧,好在不是什么大问题。

修改为:

static void AddIdTohOCR(STRING* hocr_str, const std::string base, int num1, int num2) {
  unsigned long bufsize = base.length() + 2 * kMaxIntSize;
  char* id_buffer = (char*)malloc(bufsize*sizeof(char));
  if (num2 >= 0) {
    snprintf(id_buffer, bufsize - 1, "%s_%d_%d", base.c_str(), num1, num2);
  } else {
    snprintf(id_buffer, bufsize - 1, "%s_%d", base.c_str(), num1);
  }
  id_buffer[bufsize - 1] = '\0';
  *hocr_str += " id='";
  *hocr_str += id_buffer;
  *hocr_str += "'";
  free(id_buffer);
}

生成,终于成功啦!在vs2010DLL_Debug目录下生成了libtesseract304d.dll和libtesseract304d.lib文件。

乘胜追击,Release再来一下吧。OK,也是相当成功。在DLL_Release目录下生成了三个文件。


接下来,生成另外一个工程, tesseract。Debug与Release都很容易就生成了。

好不容易生成好,赶紧拿个例子尝试一下~

Tesseract是一个命令行程序,所以打开cmd命令行工具才是使用Tesseract的正确姿势。

tesseract的命令行语法如下:

tesseract imagename outputbase [-l lang] [-psm pagesegmode] [configfile...]

使用tesseract来进行OCR识别的最基本的用法如下:

tesseract myscan.png out

这会在myscan.png这张图像上进行OCR,然后把结果输出到out.txt中。

或者我们可以规定文字的语言,比如用德语来进行OCR。

tesseract myscan.png out -l deu

甚至可以用多种语言来进行识别,比如用德文加英文:

tesseract myscan.png out -l eng+deu

我已经迫不及待了,赶紧来PS一张图尝试一下吧~

Tesseract-OCR学习系列(二)构建_第17张图片
myscan.png

原谅我作为程序员的职业病~接下来是见证奇迹的时刻:

Tesseract-OCR学习系列(二)构建_第18张图片

好了,这一篇就写到这里吧。接下来会写些什么,我其实也不知道。敬请期待吧~

你可能感兴趣的:(Tesseract-OCR学习系列(二)构建)