通過在Tesseract3+vs2008編譯后獲得的Tesseract 鏈接庫可以就可以在C語言中調用函數，實現圖片的識別，英文字符識別效果還可以，中文的效果就很差了，而且時間很久，具體過程可以參考文章：Tesseract3.01 OCR在VS2008環境下的編譯使用（1）
本文主要對Tesseract3在C語言中的使用過程進行簡單的測試。
Tesseract的主要函數成員：
初始化函數
(1) int Init(const char* datapath, const char* language, char **configs, int configs_size, bool configs_global_only);
(2) int Init(const char* datapath, const char* language) { return Init(datapath, language, 0, 0, false); }
(3) int InitLangMod(const char* datapath, const char* language);
(4) int InitWithoutLangModel(const char* datapath, const char* language);
函數主要參數：datapath表示語言包的路徑，language:語言使用ISO 639-3 string或者默認使用英文（NULL），比如中文為”chi_sim”,英文為默認(NULL)或者寫“eng”，其他的參數可采用默認；注意：語言包必須有一種，在設定的路徑下，不然會出現錯誤，語言包的下載就百度吧，
上面幾個函數調用其中一個即可。
參數設置函數：
（1）void SetPageSegMode(PageSegMode mode); //設置版面分割的模式，默認為PSM_SINGLE_BLOCK模式
主要的模式如下：
enum PageSegMode {
PSM_OSD_ONLY, ///< Orientation and script detection only.
PSM_AUTO_OSD, ///< Automatic page segmentation with orientation and
///< script detection. (OSD)
PSM_AUTO_ONLY, ///< Automatic page segmentation, but no OSD, or OCR.
PSM_AUTO, ///< Fully automatic page segmentation, but no OSD.
PSM_SINGLE_COLUMN, ///< Assume a single column of text of variable sizes.
PSM_SINGLE_BLOCK_VERT_TEXT, ///< Assume a single uniform block of vertically
///< aligned text.
PSM_SINGLE_BLOCK, ///< Assume a single uniform block of text. (Default.)
PSM_SINGLE_LINE, ///< Treat the image as a single text line.
PSM_SINGLE_WORD, ///< Treat the image as a single word.
PSM_CIRCLE_WORD, ///< Treat the image as a single word in a circle.
PSM_SINGLE_CHAR, ///< Treat the image as a single character.
PSM_COUNT ///< Number of enum entries.
};
（2）bool SetVariable(const char* name, const char* value);
我見到的用法如下，但是我測試的時候，覺得沒什么效果：
//只識別bcdefghijklmnopqrstuvwsyz
SetVariable("tessedit_char_whitelist", "abcdefghijklmnopqrstuvwsyz);
//忽略ZXY
SetVariable("tessedit_char_blacklist", "xyz");
//只識別數字
SetVariable("classify_bln_numeric_mode", "123456789");
圖片輸入函數
(1) char* TesseractRect(const unsigned char* imagedata, int bytes_per_pixel, int bytes_per_line,
int left, int top, int width, int height);
TesseractRect函數:輸入需要處理的圖片，並且設定區域，imagedata：8位或者24位，32位彩色圖片，其他調色板的圖片需轉換為24位圖像
bytes_per_pixel：每像素的字節數；bytes_per_line,每行的字節數（對齊后的），其他的不解釋
這個函數也可以拆分為一下幾個函數：
(2) void SetImage(const unsigned char* imagedata, int width, int height, int bytes_per_pixel, int bytes_per_line);
(3) void SetRectangle(int left, int top, int width, int height);
SetImage函數：輸入需要處理的圖片，和TesseractRect的參數解釋相同，注意的是這個函數會修改輸入的圖像
SetRectangle：設置需要處理的區域
獲得識別結果
獲取文字圖像中的文字信息，UTF8格式，API上說需要對獲取的char*進行delete，但是我在測試的delete[]會出現錯誤。
對字符信任度評價
（5）int MeanTextConf(); //獲取圖像中文字識別結果的平均可信任度,大小為0~100
（6）int* AllWordConfidences(); //獲取每個字符的可信任度，與GetUTF8Text獲取的字符對應，值為0~100之間
個人覺得這類函數也是蠻重要的一類，可以對識別的結果做出大致的評價，對於評價較差的，可以另作處理，我測試的時候，做的好的識別，信任度識別都在80以上，做的不好的，就在80一下，還是可以大致說明識別結果的大致情況。
結束函數：
（7）void Clear(); //清tesseract的內部圖片空間以及識別結果，可以多次使用
（8）void End(); //釋放tesseract的所有內存，釋放API
記得釋放，尤其是循環使用的時候，使用clear釋放上一次操作的空間。
tesseract也提供一些輸出中間過程的函數，我沒做研究，沒有測試，API說明如下：
中間函數
/*在SetImage或者TesseractRect之后，獲取內部閾值后圖像的一個COPY*/
Pix* GetThresholdedImage();
/*獲得版面分析的結果（layout analysis） 在分析之前或者之后調用.*/
Boxa* GetRegions(Pixa** pixa);
/** * Get the textlines as a leptonica-style * Boxa, Pixa pair, in reading order. * Can be called before or after Recognize. * If blockids is not NULL, the block-id of each line is also returned * as an array of one element per line. delete [] after use. */
Boxa* GetTextlines(Pixa** pixa, int** blockids);
/** * Get the words as a leptonica-style * Boxa, Pixa pair, in reading order. * Can be called before or after Recognize. */
Boxa* GetWords(Pixa** pixa);
// Gets the individual connected (text) components (created
// after pages segmentation step, but before recognition)
// as a leptonica-style Boxa, Pixa pair, in reading order.
// Can be called before or after Recognize.
// Note: the caller is responsible for calling boxaDestroy()
// on the returned Boxa array and pixaDestroy() on cc array.
Boxa* GetConnectedComponents(Pixa** cc);
// Get the given level kind of components (block, textline, word etc.) as a
// leptonica-style Boxa, Pixa pair, in reading order.
// Can be called before or after Recognize.
// If blockids is not NULL, the block-id of each component is also returned
// as an array of one element per component. delete [] after use.
Boxa* GetComponentImages(PageIteratorLevel level,
Pixa** pixa, int** blockids);
上面的函數足以完成圖像字符的識別，但是tesseract也提供了其他函數，比如圖像讀取，對識別的字符可信性進行評估以及獲取識別過程中的
中間圖像
讀取圖像函數
(1) INT8 IMAGE::read_header ( const char * name );
(2) inT32 check_legal_image_size( //get rest of image
inT32 x, //x size required
inT32 y, //ysize required
inT8 bits_per_pixel //bpp required
);
(3)inT8 read(inT32 buflines);
參考別人的例子的時候，會使用這個函數讀取函數，但是我在使用的時候，發現3.0的版本並沒發現IMAGE類里面的read函數和
read_header函數，可能是我用的文件問題吧，但是我本省也不想使用這個類，更想使用opencv完成圖像的讀取和預處理的工作，這里不多做說明了，如果哪位知道是哪里問題，可以告訴我哦。。。不適用提供的函數，使用OPENCV其實也很方便，不需要做任何轉換，看下面的代碼：
IplImage *iplimg = NULL;
iplimg = cvLoadImage("1.jpg");
tesseract::TessBaseAPI api;
//api.SetVariable("tessedit_char_whitelist", "0123456789abcdefghijklmnopqrstuvwsyzABCDEFGHIJKLMNOPQRSTUVWXYZ");
//api.SetVariable("classify_bln_numeric_mode", "123456789");
api.Init("C:\\BuildFolder\\tesseract-3.01\\tessdata", NULL);
//api.SetPageSegMode(PSM_SINGLE_BLOCK);
api.SetImage((unsigned char*)(iplimg->imageData),
iplimg->width, iplimg->height,iplimg->nChannels , iplimg->widthStep);//設置圖像
char* text = api.GetUTF8Text();//識別圖像中的文字
這里是我的整個簡單測試代碼，程序的設置，見我令我一篇博文Tesseract3.01 OCR在VS2008環境下的編譯使用（1）
測試代碼
#include "stdafx.h"
#include "allheaders.h"
#include "baseapi.h"
#include "resultiterator.h"
#include "strngs.h"
#include "blobs.h"
#include "cv.h"
#include "highgui.h"
#include "cxcore.h"
#include "stdlib.h"
using namespace tesseract;
int _tmain(int argc, _TCHAR* argv[])
{
STRING text_out;
IplImage *iplimg = NULL;
iplimg = cvLoadImage("1.jpg");
tesseract::TessBaseAPI api;
//api.SetVariable("tessedit_char_whitelist", "0123456789abcdefghijklmnopqrstuvwsyzABCDEFGHIJKLMNOPQRSTUVWXYZ");
//SetVariable("tessedit_char_blacklist", "xyz"); to ignore x, y and z.
//api.SetVariable("classify_bln_numeric_mode", "123456789");
api.Init("C:\\BuildFolder\\tesseract-3.01\\tessdata", NULL);
//api.SetPageSegMode(PSM_SINGLE_BLOCK);
api.SetImage((unsigned char*)(iplimg->imageData),
iplimg->width, iplimg->height,iplimg->nChannels , iplimg->widthStep);//設置圖像
char* text = api.GetUTF8Text();//識別圖像中的文字
printf("%s\n","獲得的結果");
printf("%s\n",text);
FILE* fout = fopen("txt_file.TXT", "w");
//fwrite(text_out.string(), 1, text_out.length(), fout);//將識別結果寫入輸出文件
fprintf(fout,"%s\n","獲得的結果");
fprintf(fout,"%s\n",text);
fclose(fout);
UINT d = api.MeanTextConf();
fprintf(fout,"%d\n",d);
printf("%d\n",d);
int *gg = api.AllWordConfidences();
while (*gg != '\0')
{
printf("%d\n",*gg);
gg ++ ;
}
getchar();
api.Clear();
api.End();
return 0;
}
作者：細雨淅淅
轉載請注明地址：
