基于tesseract_ocr实现图片中汉字辨识

最近在研究视频字幕识别，写了一个小的程序，得到一些实验结果，同时也存在着一些问题，这里拿出来和大家分享下。
1.工具
（1）tesseract_ocr（识别汉字）；
（2）vs2010；
（3）opencv244（其中涉及图像处理部分）。
这里我把自己用到的资料都上传了，链接奉上：
http://download.csdn.net/detail/zhancf/9227333

2.实现过程
准备好上述材料以后，按照步骤完成vs2010下opencv244和tesseract_ocr的安装后，就可以进行操作了。

首先，如果直接对一幅图像利用tesseract_ocr进行识别，识别的效果非常差，例如下图：

直接识别的结果为空，什么都没有识别出来。但是如果我们仅仅截取字幕部分进行识别呢？识别效果是怎样的呢？我们截取出字幕部分如下：

发现识别结果还是为空，无法识别。

我们发现直接将这些复杂的图片进行tesseract_ocr识别，想要识别里面的汉字是不现实的，因此，我们先对图像进行处理，然后进行识别，看看识别的效果如何？
（1）对上面截取的字幕进行二值化处理，并进行细化处理，得到如下所示图：（这步还有一些去噪的操作，详见最终的程序）

我们发现图中汉字存在很多小方块，看看这样的识别结果：铈交冒赔帐杨洁庸荃申外记雪问。正确率为6/14。
图片中的小方块对识别存不存在影响呢？试试便知。
（2）去除图片中汉字上的小方块
我们先对上述图片进行膨胀操作，然后再细化，得到如下的结果图。

上图中，图片中汉字的小方块已经被去除了，整体的效果还是比较理想的，但是我们发现上图中汉字的笔画过细，这会影响tesseract_ocr的识别结果，因此我们对它再进行膨胀操作，结果如下：

现在看上去效果还不错，我们看看识别结果：外交部部长畅洁属答中外记胄问。识别正确率为11/14。识别的结果还算满意。
（3）如果对最后得到的图片进行锐化操作，使汉字更加符合印刷字的特点，效果会更好。

识别结果：外交部部长畅洁属答中外记胄问。虽然识别与上述结果相同，但是经本人验证，锐化的识别效果更为理想。

3.实现结果
通过上述步骤操作之后，得到识别结果图。

4.结果分析
针对此次图片中汉字识别过程，存在以下问题亟待解决。
（1）准确率：整体来说，经过上述步骤，汉字识别准确率在70%-80%左右，准确率还比较低，很难正常应用；
（2）运行时间：此次识别总用时7.938s，耗时太长。其中图片处理花了2s左右，tesseract_ocr识别花了6s左右。

可能的解决方案：
（1）自己根据上述步骤得到的字体进行训练，得到训练样本，这将有效地降低识别错误率，但是比较耗时耗力。
（2）针对图像处理还有很大的提升空间，继续研究ing。。。

整个项目实现的代码链接：
http://download.csdn.net/detail/zhancf/9227591
需要自己配置下tesseract_ocr和opencv环境。