初识Tesseract

因为组织上的需要，开始接触OCR技术。在问了Google大叔后，他告诉我去找Tesseract吧，开源界很好用的一个OCR软件。然后我就来了 :)
其实最终是需要用在手机上，但是为了最快速的熟悉一下，决定现在PC（Ubuntu）上体验一下，跑通后再寻求手机上的应用实践。

Tesseract介绍

Tesseract是Ray Smith于1985到1995年间在惠普布里斯托实验室开发的一个OCR引擎，曾经在1995 UNLV精确度测试中名列前茅。但1996年后基本停止了开发。2006年，Google邀请Smith加盟，重启该项目。目前项目的许可证是Apache 2.0。该项目目前支持Windows、Linux和Mac OS 等主流平台。但作为一个引擎，它只提供命令行工具。

下载Tesseract源码

当然，如果你想直接安装也可以：

apt-get install tesseract-ocr

但是这样就无法体会源码编译的快感了啊有木有！！！因为我的测试不是通过直接安装进行的，所以之后写的一些东西可能不适合安装版。

因为Tesseract现在由Google托管，所以其代码官网在google code处：https://code.google.com/p/tesseract-ocr/
由于此网站可能被和谐，所以在这里同时提供直接的源码同步地址：

svn checkout http://tesseract-ocr.googlecode.com/svn/trunk/ tesseract-ocr-read-only

准备工作

这里所说的准备工作包括两个部分，一个是Tesseract所需要的其他配置，另一个是其所依赖的leptonica。

leptonica

官网：http://www.leptonica.org/source/
源码包下载（v1.70）：http://www.leptonica.org/source/leptonica-1.70.tar.gz

编译和安装很简单：

./configure && make && sudo make install

同时也可以进行卸载：

sudo make uninstall

其他配置

Tesseract在编译前可以通过autogen.sh进行检查，这一点在INSTALL文档中有提到（后续步骤也存在于这个文档中）。而这里所说的其他配置所指的就是在运行autogen.sh检查过程中的一些提示未找到或未安装的工具等，按照提示信息进行补全。而leptonica在前一个步骤已经编译安装了，相信这里的检查不会提示它的错误。

测试应用

在Tesseract源码目录下有一个testing目录，这个目录下有可以进行测试的文件和脚本。在测试前需要注意的一点是，要设置一个环境变量：

export TESSDATA_PREFIX=where_the_source_root_dir_is

即要将Tesseract源码目录的路径设置到环境变量中。(别忘了设置完后用source命令让其生效）

设置环境变量后，对phototest.tif进行测试：

tesseract phototest.tif output.txt

成功的话phototest.tif图片中的文字内容会被识别出放入output.txt中。

常见问题

• 提示缺少liblept.so.4，没找到此共享库。
  解决办法：去/usr/local/lib下查看是否真的没有此库，若有（应为link）则尝试将其link到/usr/lib下看是否能修复此问题。
• 提示下面的错误

  Error in pixReadStreamPng: function not present
  Error in pixReadStream: png: no pix returned
  Error in pixGetInputFormat: pix not defined
  Error in pixRead: image not returned
  Error in fopenReadStream: file not found
  Error in pixRead: image file not found

  在网上搜过后发现一个很有意思的事，因为tesseract是依赖于leptonica的，所以这个问题tesseract的人说是leptonica的问题，而leptonica论坛中则说是tesseract的问题。很搞笑。回到正题，这个问题可能是系统缺少支持库造成的（对，而且没有提示），也可能是leptonica编译的设置问题（新版应该不存在）。套用tesseract论坛中以为热心网友的提示，他的解决办法对我有用：

  I install:
  $ sudo apt-get install libjpeg-dev libpng-dev libtiff4-dev
  $ cd leptonica-1.70
  $ ./configure && make && sudo make install
  $ tesseract -l eng -psm 7 baz.tif foo
  Then it don't report this error any more. However, it recognize nothing in foo.txt

  就是安装必要的库，然后对leptonica进行重编译。我出现过这个问题，就是这样解决的。