Tesseract5.0.0+OpenCV3+VS2019安装、字符识别学习
Tesseract5.0.0+OpenCV3+VS2019安装、字符识别学习
-
- 背景
- Visual Studio 2019安装
- OpenCV3安装、配置
- Tesseract v5.0.0安装
- 在Windows PowerShell中下指令识别字符
- 训练字符库
-
- 使用 jTessBoxEditor训练
- 安装tesseract-master
- 运行cppan.exe
- 使用CMake编译Tesseract
-
- 建构完成，文件有缺失，无法运行。
- 更换次新的release v4.1.1。
- 使用Visual Studio 2019打开Tesseract工程文件
- 编译Leptonica
-
- 使用Visual Studio 2019打开Leptonica工程文件
- 加入第三方图像库
- 编译tesseract v4.1.1
-
- 使用Visual Studio 2019打开Tesseract工程文件
-
- 在Visual Studio 2017中的尝试
-
- 其它情况
- 在Visual Studio 2019中配置Tesseract
-
- 待更新...
背景
做一个字符检测比对的小项目，需要借助Tesseract的OCR进行开发。
Visual Studio 2019安装
详见另一篇：https://blog.csdn.net/weixin_46293955/article/details/105961344
OpenCV3安装、配置
待更新…
Tesseract v5.0.0安装
tesseract v5.0.0 64位安装包下载链接： https://download.csdn.net/download/weixin_46293955/12531753
双击安装程序
点击Next
点击I Agree
选择电脑用户，点击Next
勾选组件
选择语言包：符号、数字、简体中文、简体中文（复杂）、繁体中文、繁体中文（复杂）、英文（复杂）。
未选择的情况下自带英文、数字、符号。
自定义安装路径，这里安装到D盘Tesseract-OCR文件夹中
点击Install按钮安装
报错是由于语言包无法下载，点击确定跳过
等待安装完成
点击Finish安装完成
加入系统环境变量Path
新建环境变量TESSDATA_PREFIX，路径指向tessdata文件夹
安装完后文件如下图：
查看是否安装成功，在Windows PowerShell中下指令tesseract，出现如下回传，则表示安装成功。
查看支持的语言，在Windows PowerShell中下指令tesseract --list-langs，此处语言放在tessdata文件夹中。
语言包下载链接： 待更新
在Windows PowerShell中下指令识别字符
放置一张图片至D盘，命名为ROI.jpg（图片为在百度随机截取，侵删）
在Windows PowerShell中下指令tesseract D:\ROI.jpg D:\1
回传如下，可以看到识别为空。原因是文字太小或者太模糊（图截得很小）
使用画图工具放大后，回传如下
依然很模糊，不过可以识别，在D盘下会生成一个1.txt文件，打开后可以看到，已识别到文字。
指定识别类型，在Windows PowerShell中下指令tesseract D:\ROI.jpg D:\1 -1eng
指定输出文件类型，如pdf格式，在Windows PowerShell中下指令tesseract D:\ROI.jpg D:\1 -1eng pdf
训练字符库
如果需要提高识别率，需要自己训练字符库。
使用 jTessBoxEditor训练
需要配置JAVA开发环境，过程略。
训练方法： 待更新…
安装tesseract-master
若要在Visual Studio 2019下使用，则需要用CMake建构，用到Tesseract的tesseract-master版。
Tesseract v5.0.0 tesseract-master官网下载链接：https://github.com/tesseract-ocr/tesseract/
Tesseract v5.0.0 tesseract-master版下载： https://download.csdn.net/download/weixin_46293955/12533636
解压后文件如下图：
运行cppan.exe
cppan.exe for Windows下载链接： https://download.csdn.net/download/weixin_46293955/12522811
cppan.exe for Windows官网下载链接：https://cppan.org/client/
将cppan.exe放入tesseract安装的根目录中。
将cppan.exe所在的路径添加到系统变量中。
在Windows PowerShell下执行：.\cppan.exe命令，出现No spec file found报错，如下图。
原因：最新的tesseract5.0.0没有cppan.yml文件
解决方法：下载安装低版本的tesseract4.1，将其中的cppan.yml文件拷贝出来。再次运行，成功安装，如下图。过程中可能因为网络问题报错，多试几次（需要一定的时间，请耐心等待）
低版本的cppan.yml单独下载链接: https://download.csdn.net/download/weixin_46293955/12532402
安装路径为C盘–用户–用户名–.cppan文件夹–storage文件夹，如果用户名中含有空格，则无法执行成功，需要更改用户名，或者在其它路径新建storage文件夹，并编辑修改.cppan文件夹中cppan.yml文件中的指向路径。
使用CMake编译Tesseract
CMake下载链接: 官网https://cmake.org/download/
CMake3.18 64位for Windows安装版&免安装版下载链接: https://download.csdn.net/download/weixin_46293955/12533155
CMake3.13 64位for Windows安装版下载链接: https://download.csdn.net/download/weixin_46293955/12532529
步骤待更新…
为cmake设置环境变量，解压后目录下的bin目录地址加至系统环境变量PATH中，与cppan设置环境变量的方法一致。
使用高版本cmake构建可能会报错，使用低版本cmake的没有VS2019。
在Tesseract目录下新建build文件夹，将来源路径及建构路径填入，如下图：
点击Tool–Configure，进行Configure
选择合适版本的CMake，选择IDE。
点击Finish,若报错Error in configuration process,project files may be invlid，如下,原因是缺少CMakeLists.txt文件。
解决方法：1.将.cppan文件夹中的内容copy出来至Tesseract目录下。
2.使用tesseract-master，里面有CMakeLists.txt文件，重新建构即可。
3.更换低版本release，tesseract release v4.1.1
手动修改CMakeLists.txt文件，过程待更新…
建构需要较长时间，请耐心等待。
在D盘下新建install文件夹，更改路径。
完成后再次点击Configure，然后点击Generate按钮，即完成。
建构完成，如下图：
建构完成，文件有缺失，无法运行。
更换次新的release v4.1.1。
官网下载链接：https://github.com/tesseract-ocr/tesseract/releases
tesseract release v4.1.1下载链接: 待更新…
操作同tesseract v5.0.0、 CMake使用cmake v3.17.3
使用Visual Studio 2019打开Tesseract工程文件
编译过程略，无法编译成功。
编译Leptonica
查阅资料发现，在VS2019中使用tesseract需要Leptonica的支持，leptonica是一个开源的面向教学的软件，通常被用来作为图像处理和图像分析的一个底层库支持。
leptonica官网下载地址：http://www.leptonica.org/download.html
解压到路径D:\temp\leptonica
在temp文件夹中新建leptonicanew文件夹，使用CMake建构leptonica，如下：
同样2次点击Configure按钮，直到没有报错。并更改INSTALL_PREFIX路径。
依次点击Configure按钮、Generate按钮，完成建构。
使用Visual Studio 2019打开Leptonica工程文件
文件路径：D:\temp\leptonicanew\leptonica.sln
更改配置属性：
选择release，配置中，勾选INSTALL
在release模式下生成解决方案。
生成成功
文件在此路径D:\leptonica
加入第三方图像库
下载链接：待更新…
编译tesseract v4.1.1
重新编译，tesseract v4.1.1解压路径D:\temp\Tesseract。
在temp文件夹下新建Tesseractnew文件夹。
使用CMake建构。
报错如下：
原因是找不到leptonica路径。
更改路径至之前编译好的cmake路径：
若反复报错，可取消训练工具此勾再尝试。
使用CMake3.17多次Configure依然报错找不到LeptonicaConfig.cmake文件，实际文件夹中有：
更换CMake3.16.8，依然编译不通过，排除CMake版本问题。
删除C盘-用户下的.cppan文件夹，重新执行cppan.exe，完成如下（方法同上）：
再次使用CMake建构，报错消失。
多次Configure直至红色报错消失，会提示：CPPAN过旧，请考虑切换到软件构建。不用理会。
点击Generate，生成工程文件。
使用Visual Studio 2019打开Tesseract工程文件
需要使用管理员身份打开，具体参考:https://blog.csdn.net/lien0906/article/details/47300881
由于踩了坑，多次无法编译成功，换了Visual Studio 2017尝试，后换回Visual Studio 2019编译成功，步骤同如下尝试。
在Visual Studio 2017中的尝试
cppan.exe需要重新安装、需要用CMake重新建构。
建构时注意选择32/64位：
使用管理员打开工程文件
同样进行如下设置：
在release模式下，生成解决方案
可以看到有大量报错，大多都是cppan-d-b-d 字符编码乱码导致，单独编译cppan-d-b-d ：
双击错误，打开文件，点击左上角菜单 “文件选项" 下的"高级保存选项", 选择“GB2312”.保存后再“生成"即可。
如果找不到“高级保存选项”，点击工具–自定义，添加命令。
选择命令–文件–添加命令
选择文件–高级保存选项，然后点击确定，即可添加成功。
改成UTF-8 有签名。
重新生成，可解决字符乱码错误。
若出现如下endianness.h头文件报错找不到：
找到该目录下，可以看到endianness.h被编译成endianness.h.in
解决方法一：把endianness.h.in的.in去掉，成为一个.h文件，打开：
#if !defined (L_BIG_ENDIAN) && !defined (L_LITTLE_ENDIAN)
# if @APPLE_UNIVERSAL_BUILD@
# ifdef __BIG_ENDIAN__
# define L_BIG_ENDIAN
# else
# define L_LITTLE_ENDIAN
# endif
# else
# define @ENDIANNESS@
# endif
#endif
要将上述代码改成：
#if !defined (L_BIG_ENDIAN) && !defined (L_LITTLE_ENDIAN)
# if defined (__APPLE_CC__)//@APPLE_UNIVERSAL_BUILD@
# ifdef __BIG_ENDIAN__
# define L_BIG_ENDIAN
# else
# define L_LITTLE_ENDIAN
# endif
# else
# define L_LITTLE_ENDIAN//@ENDIANNESS@
# endif
#endif
保存后，重新编译即可。
解决方法二：从建构好的leptonicanew文件夹中找到该头文件，copy至所需目录下即可：
报错找不到allheaders.h头文件
allheaders.h是leptonica的头文件，路径如下：
解决方法：分别右击libtesseract和tesseract，VC++目录——包含目录，添加D:\leptonica\include\leptonica
其它情况
如果遇到其它情况，可以尝试用vcpkg编译。