Tesseract-OCR学习系列（一）简介

转载自：http://www.jianshu.com/p/0a3386227981

Tesseract Introduction

做了一段时间的OCR。在PC的Visual Studio上和在TI/ADI的DSP上都做过。一般都是看项目的具体情况，然后根据这具体情况，设计一套算法。设计好了之后，这套算法就只能应用在这个项目上了。如果再来一个新的项目，就又得从头写起。可是，不就是做OCR吗，不都差不多嘛！要是所有的OCR项目都能使用同一套代码，那得有多帅呀！

想一想，要做这件事，大概有下面这么些挑战：

• 自动搜索文字。目前我做的文字定位，都是知道文字在图像的什么地方，然后用经验参数定位的。这样的话，就必须针对不同的识别任务，制订不同的识别参数。如果识别任务中表明不能确定文字所在的地方，那我就歇菜了。反之，如果能自动地定位到文字的所在之处，那不就离我的目标近了一步吗？
• 自动分割。目前我做的文字分割，基本都是预先知道有多少个字，字和字之前的间隔情况是怎么样的等等一系列的信息之后，才可以开始动手分割。可是如果我不知道这些信息呢？我又抓瞎了。
• 自动识别。非常不好意思，我现在能做OCR基本只能说在初级阶段。可以做英文和数字的OCR，而且还必须预先知道它们的字体是什么样的。要是任务中说，字体不定，那对不起，又是mission impossible。
• ……

因此，总得来说，虽然我在OCR方面能做一些应用，但是不能做的应用更多。我本来想通过多学点书本知识再来实践的方式来搞定这些问题。然而，我为什么不去站在巨人的肩膀上呢？

做算法牛X的互联网公司是谁？当然首推Google啦~Google维护着一项很著名的开源项目，叫Tesseract。

所以，我们就一起来学习一下这个OCR开源软件吧，应当可以解决我在上面列出的一些问题。

历史

Tesseract项目最初由惠普实验室支持，1996年被移植到Windows上，1998年进行了C++化。在2005年Tesseract由惠普公司宣布开源。2006年到现在，都由Google公司开发。

目前，Tesseract的源代码放在GitHub上。

特性

目前，Tesseract可以识别超过100种语言。也可以用来训练其它的语言。

源码包提供了一个OCR的引擎——libtesseract以及一个命令行程序——tesseract。

Tesseract支持多种输出格式，如：普通文本、html、pdf等。

对于开发者

开发者可以使用libtesseract的C/C++接口来构建自己的程序。

Tesseract从源码生成的文档可以在tesseract-ocr.github.io中找到。

下载代码

接下来，我们就先把最新代码下载下来吧。下载最新版本3.04.01的源代码。

由于我是个OpenCV深度使用者，而OpenCV的一个重要插件ImageWatch只支持Visual Studio 2012（至少官方文档上目前是这么说的，我也没有试过更高版本的VS版本，但比2012低的版本肯定是不行的。）所以以下都以Visual Studio 2012为例介绍。

目录结构是这样的。而在我目前还搞不清楚状况的前提下，红框部分当然就引起了我的注意。VS2010与VS2012就差一点点。熟悉的人都知道，VS2010的项目想转换成VS2012简直太简单了。完全的自动转换，而且不会有任何问题。

这不，双击tesseract.sln，就自动帮我转换好了。

现在，解决方案tesseract中出现了两个项目，一个叫libtesseract304，一个叫tesseract。
很显然，libtesseract304是实现功能的那个库。而tesseract是使用库的应用程序。

libtesseract304的项目配置：

tesseract的项目配置：

我编程很喜欢用试错法，就是明知道编译通不过，也要编译一下。这不，我知道，现在编译libtesseract304肯定是有一大堆问题的。但，不管怎么样，编译了再说吧。

果然，编译器报了一大堆错。

一共有110个错。都说是无法打开包括文件："allheaders.h"。

那么，allheaders.h文件是什么，为什么会找不到？如何才能构建出可以运行的程序？且听下回分解。

作者：行之与亦安
链接：http://www.jianshu.com/p/0a3386227981
來源：简书
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。