[轉]Tesseract-OCR學習系列

轉載地址：http://www.jianshu.com/p/a53c732d8da3

Tesseract-OCR學習系列（三）簡例

Tesseract API Basic Example using CMake Configuration

參考文檔：https://github.com/tesseract-ocr/tesseract/wiki/APIExample

Tesseract提供的API可以在baseapi.h文件中找到。然而，如果沒有個示例帶我們飛一會兒，也是頗難搞懂到底該怎么調用tesseract的api。

我們知道，如果要調用一個第三方的庫，那我們需要在工程的屬性中增加：

1. 第三方庫頭文件的位置。
2. 第三方庫庫文件的位置。
3. 第三方庫中，需要鏈接的lib文件的文件名。

而且，Debug和Release需要分開來配置。手動配置真的是麻煩極了。而且，即使你配置好了，如果你第三方庫的位置改變了，那對不起，請重新配置；如果你要把工程給別人來使用，而別人的第三方庫所放的位置與你所放的不同，對不起，需要重新配置；如果你想要換一個操作系統進行開發，對不起，請重新配置！那有沒有辦法可以繞過這些麻煩事，使得只用麻煩一次，以后永遠簡單呢？答案是有。工具就是CMake。可參看我的另一篇文章：CMake簡要教程。這里，我給大家舉例介紹，如何使用CMake來添加第三方庫。

首先，我們需要將第三方庫Tesseract所提供的東西集中存放。比如，我在F盤的extralib中建立了一個Tesseract文件夾。文件夾中，有bin文件夾include文件夾，lib文件夾，以及tessdata文件夾。其中：

• bin：存放.dll文件。
• include：存放.h文件。
• lib：存放.lib文件。
• tessdata：存放.traineddata文件。

bin文件夾

include文件夾

其中，tesseract的.h文件比較分散。我是直接在原來的tessract中搜索所有的.h文件，然后再拷貝到這邊來的。

lib文件夾

tessdata文件夾

其中，chi_sim代表簡體中文，eng就不用說了，代表英文。tessdata文件夾中的內容可以在官方網站中下載到。

好了，現在有了這樣一個文件夾，我們下面的目標是讓CMake可以找到這些文件夾。為了達到這個目的，首先需要自己寫名為TesseractConfig.cmake一個文件，放在剛剛建立的tesseract文件夾中。所以，tesseract文件夾最終看起來是這個樣子的：

tesseract文件夾

如果CMake能找到TesseractConfig.cmake這個文件，就可以通過find_package函數來找到Tesseract的各個文件夾的路徑了。但問題是，CMake如何找到TesseractConfig.cmake這個文件呢？在Windows操作系統的環境下，有兩種方法：

1. 將TesseractConfig.cmake這個文件所在的文件夾路徑添加到系統環境變量的Path中。
2. 在CMake的GUI界面中手動配置。

在正式介紹之前，先來看一看TesseractConfig.cmake中該怎么寫：

# =================================================================================== # The Tesseract CMake configuration file # # Usage from an external project: # In your CMakeLists.txt, add these lines: # # FIND_PACKAGE(Tesseract REQUIRED) # TARGET_LINK_LIBRARIES(MY_TARGET_NAME ${Tesseract_LIBS}) # # This file will define the following variables: # - Tesseract_LIBS : The list of libraries to link against. # - Tesseract_LIB_DIR : The directory(es) where lib files are. Calling # LINK_DIRECTORIES with this path is NOT needed. # - Tesseract_INCLUDE_DIRS : The Tesseract include directories. # - Tesseract_VERSION : The version of this Tesseract build. Example: "2.4.0" # - Tesseract_VERSION_MAJOR : Major version part of Tesseract_VERSION. Example: "2" # - Tesseract_VERSION_MINOR : Minor version part of Tesseract_VERSION. Example: "4" # - Tesseract_VERSION_PATCH : Patch version part of Tesseract_VERSION. Example: "0" # # Advanced variables: # - Tesseract_CONFIG_PATH # # =================================================================================== set(Tesseract_VERSION_MAJOR 3) set(Tesseract_VERSION_MINOR 4) set(Tesseract_VERSION_PATCH 1) set(Tesseract_VERSION ${Tesseract_VERSION_MAJOR}.${Tesseract_VERSION_MINOR}.${Tesseract_VERSION_PATCH}) get_filename_component(Tesseract_CONFIG_PATH "${CMAKE_CURRENT_LIST_FILE}" PATH CACHE) set(Tesseract_LIB_DIR "${Tesseract_CONFIG_PATH}/lib") set(Tesseract_INCLUDE_DIRS "${Tesseract_CONFIG_PATH}/include") set(Tesseract_LIBS_DBG "liblept171d.lib" "libtesseract304d.lib") set(Tesseract_LIBS_OPT "liblept171.lib" "libtesseract304.lib") foreach(__tesslib ${Tesseract_LIBS_DBG}) list(APPEND Tesseract_LIBS debug "${Tesseract_LIB_DIR}/${__tesslib}") endforeach() foreach(__tesslib ${Tesseract_LIBS_OPT}) list(APPEND Tesseract_LIBS optimized "${Tesseract_LIB_DIR}/${__tesslib}") endforeach() set(Tesseract_FOUND TRUE CACHE BOOL "" FORCE)

好了，准備工作到此為之，接下來我們可以開始正式地構建示例程序Basic-example了。首先新建文件夾samples。然后在samples文件夾中新建文件夾Basic-example，新建文件CMakeLists.txt。

samples文件夾

這里的CMakeLists.txt可以很簡單（當然也可以很復雜，但作為示例，理當簡單一點）。

cmake_minimum_required(VERSION 3.0) project(tesseract-api-examples) add_subdirectory(Basic-example)

第一句話表示，cmake的版本號最小為3.0（低於cmake 3.0則無法構建）。第二句話表示構建一個解決方案，名字叫做tesseract-api-examples。第三句表示添加子目錄Basic-example。添加子目錄的意思，其實是開始執行子目錄中的CMakeLists.txt。所以，如果想通過add_subdirectory添加子目錄，那就必須保證這個子目錄中有CMakeLists.txt這個文件。

現在，我們進入Basic-example文件夾中，新建兩個文件：Basic-example.cpp以及CMakeLists.txt

在Basic-example.cpp中，我們將官網上提供的代碼粘上來：

#include <tesseract/baseapi.h> #include <leptonica/allheaders.h> int main() { char *outText; tesseract::TessBaseAPI *api = new tesseract::TessBaseAPI(); // Initialize tesseract-ocr with English, without specifying tessdata path if (api->Init(NULL, "eng")){ fprintf(stderr, "Could not initialize tesseract.\n"); exit(1); } // Open input image with leptonica library Pix *image = pixRead("D:\\open_source\\tesseract-3.04.01\\tesseract\\testing\\phototest.tif"); api->SetImage(image); // Get OCR result outText = api->GetUTF8Text(); printf("OCR output:\n%s", outText); // Destroy used object and release memory api->End(); delete [] outText; pixDestroy(&image); return 0; }

而在CMakeLists.txt中，可以用6句話來完成：

set(the_target "Basic-example") find_package(Tesseract REQUIRED) aux_source_directory(. SRC_LIST) include_directories(${Tesseract_INCLUDE_DIRS}) add_executable(${the_target} ${SRC_LIST}) target_link_libraries(${the_target} ${Tesseract_LIBS})

其中，

• 第一行設定the_target名為"Basic-example"。
• 第二行尋找Tesseract第三方庫。
• 第三行尋找當前文件夾下的所有.c文件和.cpp文件，並把文件名放在SRC_LIST中。
• 第四行添加第三方庫目錄Tesseract_INCLUDE_DIRS。
• 第五行設定項目Basic-example的生成目標是一個可執行文件。
• 第六行添加依賴的第三方庫。

好了，一切准備就緒，就差構建了！打開CMake-GUI軟件。

設定cmake的源路徑和目標路徑。如果對這兩個路徑不是很清楚的，還是請移步CMake簡要教程。

點擊config

出現一個選框，選擇你所使用的C++編譯器。我使用的是VS2012。點擊Finish。

在一段時間的等待之后，出現如下的界面：

注意Tesseract_DIR那一行。我這邊自動找到了。那是因為這個我已經把這個路徑放置到環境變量的Path中了。你可以選擇將你的路徑放置到環境變量中，也可以在這里手動選擇這個目錄。如果是通過手動選擇的方式，那么這個目錄會保存在Cache中，下次配置也不需要再次選擇了。

再次點擊Configure。

紅色條帶消失，消息欄顯示Configuring done。此時，點擊Generate。

生成成功！接下來，就可以打開build文件夾下面的tesseract-api-examples.sln這一工程文件了。

將Basic-example設為啟動項。生成，成功！

運行！啊哦！

唉，不好意思，太激動了，腦殘了一把！我們現在還需要將Tesseract的bin文件夾放到環境變量的Path中，這樣，程序才能找到dll文件。

現在可以開始調試程序了。

phototest.tif

OK。運行程序。

成功執行~

我們再回過頭來看一看這個示例程序。看看它做了一些什么事。

#include <tesseract/baseapi.h> #include <leptonica/allheaders.h> int main() { char *outText; tesseract::TessBaseAPI *api = new tesseract::TessBaseAPI(); // Initialize tesseract-ocr with English, without specifying tessdata path if (api->Init(NULL, "eng")){ fprintf(stderr, "Could not initialize tesseract.\n"); exit(1); } // Open input image with leptonica library Pix *image = pixRead("D:\\open_source\\tesseract-3.04.01\\tesseract\\testing\\phototest.tif"); api->SetImage(image); // Get OCR result outText = api->GetUTF8Text(); printf("OCR output:\n%s", outText); // Destroy used object and release memory api->End(); delete [] outText; pixDestroy(&image); return 0; }

首先包含了兩個頭文件：

#include <tesseract/baseapi.h> #include <leptonica/allheaders.h>

這其實說明了，這個示例程序用到了兩個庫。一個是tesseract，一個是leptonica。tesseract用來做OCR。leptonica可以處理基本的圖像處理的需求。

接下來，在main函數中，定義了一個對象：

tesseract::TessBaseAPI *api = new tesseract::TessBaseAPI();

其中，tesseract是命名空間。TessBaseAPI是一個類名。這個類的注釋是這么寫的：

/** * Base class for all tesseract APIs. * Specific classes can add ability to work on different inputs or produce * different outputs. * This class is mostly an interface layer on top of the Tesseract instance * class to hide the data types so that users of this class don't have to * include any other Tesseract headers. */

也就是說：

所有的tesseract的API都在這個類中。

所以，如果我們把這個類搞明白了，也就知道Tesseract的API的所有調用方法了。好事啊~這個類一會兒再回過來看。先把代碼讀完。

    // Initialize tesseract-ocr with English, without specifying tessdata path if (api->Init(NULL, "eng")){ fprintf(stderr, "Could not initialize tesseract.\n"); exit(1); }

來看一看Init的注釋~

/** * Instances are now mostly thread-safe and totally independent, * but some global parameters remain. Basically it is safe to use multiple * TessBaseAPIs in different threads in parallel, UNLESS: * you use SetVariable on some of the Params in classify and textord. * If you do, then the effect will be to change it for all your instances. * * Start tesseract. Returns zero on success and -1 on failure. * NOTE that the only members that may be called before Init are those * listed above here in the class definition. * * The datapath must be the name of the parent directory of tessdata and * must end in / . Any name after the last / will be stripped. * The language is (usually) an ISO 639-3 string or NULL will default to eng. * It is entirely safe (and eventually will be efficient too) to call * Init multiple times on the same instance to change language, or just * to reset the classifier. * The language may be a string of the form [~]<lang>[+[~]<lang>]* indicating * that multiple languages are to be loaded. Eg hin+eng will load Hindi and * English. Languages may specify internally that they want to be loaded * with one or more other languages, so the ~ sign is available to override * that. Eg if hin were set to load eng by default, then hin+~eng would force * loading only hin. The number of loaded languages is limited only by * memory, with the caveat that loading additional languages will impact * both speed and accuracy, as there is more work to do to decide on the * applicable language, and there is more chance of hallucinating incorrect * words. * WARNING: On changing languages, all Tesseract parameters are reset * back to their default values. (Which may vary between languages.) * If you have a rare need to set a Variable that controls * initialization for a second call to Init you should explicitly * call End() and then use SetVariable before Init. This is only a very * rare use case, since there are very few uses that require any parameters * to be set before Init. * * If set_only_non_debug_params is true, only params that do not contain * "debug" in the name will be set. */

看着這么長的英文估計還挺累，不如我來翻譯一下：

實例大多數情況下是線程安全的，並且是完全獨立的。但是仍然保留了一些全局參量。基本上在不同的線程中並行地使用多個TessBaseAPIs是安全的，除非：你使用了SetVariable改變了某些參數的值。如果你這么做了，那么你所有的實例的效果都會為之發生改變。

啟動tesseract。如果成功返回0，如果失敗返回-1。注意能在Init方法前面調用的成員函數是那些在類定義中列在Init之前的那些函數。

datapath必須為tessdata的父目錄，並且必須以/終止。最后一個/后面所出現的字符將被全部刪除。language參數通常是一個ISO639-3的字符串，如果是NULL將被默認設置為eng。在單個實例中，多次調用Init方法來改變語言或重置分類器是沒有問題的，（並且會逐漸變地更快速）。

language參數可以寫成[~]<lang>[+[~]<lang>]*的形式，即表明可以加載多種語言。例如hin+eng會加載北印度語和英語。Languages可以在內部被設置為一種或多種語言，因此~符號可以用來覆蓋。例如，如果hin被設置為默認加載eng，則hin+~eng會強制只加載hin。可以被加載的語言的數量僅僅由內存限制，但是加載多種語言會同時影響速度和准確率。因為這需要更多的工作來決定它是哪種語言，並且更有可能產生錯誤。

警告：一旦改變語言，所有的Tesseract參數被重置為默認值。（每種語言可能不一樣。）

再接着看代碼：

    // Open input image with leptonica library Pix *image = pixRead("D:\\open_source\\tesseract-3.04.01\\tesseract\\testing\\phototest.tif");

pixRead是Leptonica的函數，它讀取一張圖片，並將圖片的結果保存在Pix結構體中。

    api->SetImage(image);

SetImage函數為Tesseract提供去識別的圖片。

    // Get OCR result outText = api->GetUTF8Text();

GetUTF8Text函數識別圖片中的文字，並返回char*數組。

    // Destroy used object and release memory api->End(); delete [] outText; pixDestroy(&image);

最后一部分是釋放和銷毀。

關於End方法，代碼中的注釋是這么寫的

  /** * Close down tesseract and free up all memory. End() is equivalent to * destructing and reconstructing your TessBaseAPI. * Once End() has been used, none of the other API functions may be used * other than Init and anything declared above it in the class definition. */ void End();

最后釋放數組和圖像。合情合理，沒有什么好說的。

如果需要完整的示例文件及CMakeLists.txt，可以點擊此處下載。