Tesseract-OCR 4.00简介

首先我们在GitHub上找到了一些文档，在这里记录点学习内容。

文档来源：https://github.com/tesseract-ocr/docs

1、History

1） Timeline

Tesseract从1984年开始至今，中间1995年至2005年基本处于停滞状态（The dark ages），自从2005年HP开源，2006年被Google接手之后，又进入了新的发展阶段，也不知道这么有意思的OCR库经过了怎样的40年~~

上图中有几个比较重要的点：

Internationalized to 100+ languages

Layout analysis 

Table Detection

Equation detection 

Training Tools 

PDF output 

 LSTM

具体实现还需要分块研究，以后再写。

Tesseract Coordinate System

左下角（bottom-left）为坐标原点（0,0）

Tesseract-OCR System

图1 Tesseract System Architecture

上图中展示了整个Tesseract 识别架构，包括自适应二值化，版面分析（我的理解是把整个页面中的表格、图片、文字等分类，提取出文字部分进行识别），文字识别等，其中的LSTM Line Recognizer 具体做了什么工作还有待研究，之后的X-Height Fix ,Fuzzy Space Fix, Word Bigram Fix等应该是根据识别结果不断调整参数，以适应不同文档的情况。

图2 Tesseract Word Recognizer

上图2显示了图1中 recognizer word pass1 中工作情况。这部分的工作重点是字符分割。

图3 文件结构 -功能结构

图3 说明了整个Tesseract文件结构以及功能说明。

图4 重要的数据结构

图5 

谁来告诉我这是什么意思？

图6 Recognize识别过程中的函数调用流程

图6 很清晰地展示了识别操作的函数调用流程，这部分是整个OCR的核心，也是以后研究工作的重点。

图7 实例（一）

图7 实例（二）

图7 实例（三）

以上内容介绍整体Tesseract架构和实例，官方文档图片较多，先保存下来，以后学习深入了再来补充整理。