Tesseract使用日记

一、工具使用

tesseract-ocr-setup-3.02.02.exe下载安装http://code.google.com/p/tesseract-ocr/downloads/list

将tesseract-ocr-3.02.chi_sim.tar.gz（中文训练库）下载解压之后将chi_sim.traineddata文件拷贝到tesseract-安装目录的tessdata下面就可以进行中文的识别

命令格式为：

tesseract    [-l lang] [configfile [[+|-]varfile]...]

命令行cd 到图片所在目录

如：tesseract  1.jpg result  -1 chi_sim   -psm 7

-psm 7意思是只有一行文本，加上能够提高识别准确度

所识别的结果就在图片所在文件夹下一个result.txt的文件中

二、C++编程

1、http://code.google.com/p/tesseract-ocr/downloads/list

下载tesseract-3.02.02-win32-lib-include-dirs.zip

2、配置C++目录，添加include、lib。

3、创建工程将lib下的dll文件拷到工程目录下

运行如下代码：

 

#include "strngs.h"
#include <iostream>
using namespace std;

#pragma  comment(lib,"libtesseract302.lib")

string UTF8ToGBK(const std::string& strUTF8);

int _tmain(int argc, _TCHAR* argv[])
{
	char * str = "1.jpg";
	tesseract::TessBaseAPI  api;  
	api.Init(NULL, "chi_sim", tesseract::OEM_DEFAULT);  //初始化，设置语言包，中文简体：chi_sim;英文：eng；也可以自己训练语言包
	//api.SetVariable( "tessedit_char_whitelist", "0123456789ABCDEFGHIJKLMNOPQRSTUVWXYZabcdefghijklmnopqrstuvwxyz" );  
	STRING text_out;  
	if (!api.ProcessPages(str, NULL, 0, &text_out))  
	{  
		return 0;  
	}   
	string out = UTF8ToGBK(text_out.string());
	cout<<"output: "<<out.c_str()<<endl;
	int a;
	cin>>a;
	return 0;
}
string UTF8ToGBK(const std::string& strUTF8)
{
	int len = MultiByteToWideChar(CP_UTF8, 0, strUTF8.c_str(), -1, NULL, 0);
	unsigned short * wszGBK = new unsigned short[len + 1];
	memset(wszGBK, 0, len * 2 + 2);
	MultiByteToWideChar(CP_UTF8, 0,LPCSTR(strUTF8.c_str()), -1, LPWSTR(wszGBK), len);

	len = WideCharToMultiByte(CP_ACP, 0,LPCTSTR(wszGBK), -1, NULL, 0, NULL, NULL);
	char *szGBK = new char[len + 1];
	memset(szGBK, 0, len + 1);
	WideCharToMultiByte(CP_ACP,0, LPCTSTR(wszGBK), -1, szGBK, len, NULL, NULL);
	//strUTF8 = szGBK;
	string strTemp(szGBK);
	delete[]szGBK;
	delete[]wszGBK;
	return strTemp;
}

4、提示缺少liblept168d.dll，下载英文语言库tesseract-ocr-3.02.eng.tar.gz（为vs2008编译），如果是vs2010重新编译liblept168d.dll，

这里提供别人编译好的http://download.csdn.net/detail/zhymax/4928137，照样配置lib路径，拷贝dll文件到工程目录下。

如用下图测试

可以得到

可以显示识别的汉字。