OCR （Optical Character Recognition，光學字符識別）是指電子設備（例如掃描儀或數碼相機）檢查紙上打印的字符，通過檢測暗、亮的模式確定其形狀，然后用字符識別方法將形狀翻譯成計算機文字的過程。優秀的開源OCR軟件包括：
- Tesseract：原本由惠普開發的圖像識別類庫tesseract-ocr已經更新到2.04， 就是最近Google支持的那個OCR。原先是惠普寫的，現在Open source了。
- OCRopus：Ocropus的（TM）是一個先進的文件分析和OCR系統，采用可插入的布局分析，可插入的字符識別，自然語言統計建模和多語言支持功能。
- Cuneiform：Cuneiform 是一個 OCR 文字識別系統的商標，最開始是由Cognitive 技術所開發的運行在 Windows 下的軟件。而這個項目是該軟件在 Linux 系統下的移植版本。
- GOCR：GOCR 是一個開源的OCR光學識別程序。
- OCRFeeder：OCRFeeder 是 GNOME 桌面下的一個開源 OCR 套件。可將紙質或者圖形文檔轉成電子文檔。
- Lios：linux-intelligent-ocr-solution (Lios) 是Linux下一個開源的 OCR 解決方案，可將打印的文檔轉成可編輯的文本。
雲服務商提供服務：
- 百度OCR: https://cloud.baidu.com/doc/OCR/OCR-Python-SDK.html
- Azure圖像識別：https://azure.microsoft.com/zh-cn/services/cognitive-services/computer-vision/
- 阿里雲OCR: https://www.aliyun.com/product/cdi/
- 騰訊OCR：https://cloud.tencent.com/product/ocr
OpenCV VS tesseract：
- opencv：專注機器視覺
- tesseract：專注字符識別
由於tesserocr在windows環境下會出現各種不兼容問題，並且與pycharm虛擬環境不兼容等問題，所以在windows系統環境下，選擇pytesseract模塊進行安裝
Tesseract
Tesserocr 是Python的一個OCR庫，但其實是對tesseract做的一層Python API的封裝，所以他的核心是tesseract。因此，在安裝tesserocr之前，我們需要先安裝tesseract。 實際使用tesseract ocr也有兩種方式：1- 動態庫方式 libtesseract 2 - 執行程序方式 tesseract.exe
安裝過程：
- 在Windows下,首選需要下載tesseract，它為tesserocr提供支持，在“https://digi.bib.uni-mannheim.de/tesseract/” ，然后選擇3.05.02版本進行下載。其中文件名中帶有 dev 的為開發版本，不帶 dev 的為穩定版本，可以選擇下載不帶 dev 的版本，例如可以選擇下載tesseract-ocr-setup-3.05.02-20180621.exe
- 如果不是做英文的圖文識別，還需要下載其他語言的識別包 https://github.com/tesseract-ocr/tessdata 下載
安裝Tesseract
- 下載Tesseract-OCR引擎，注意要3.0以上才支持中文哦，按照提示安裝就行。
- 既然是要訓練中文，記得勾選 additional language data，如下圖：
-
找到中文簡體和中文繁體，按需勾選，然后點下一步。可以先不勾選，因為這樣直接下載語言的包實在太慢。可以從網頁上直接下載語言包,然后等程序安裝好后，放入安裝目錄下tessdata目錄下面，如下圖：
配置：
- 在環境變量的系統變量和個人用戶的PATH，把tesseract-ocr的安裝路徑（如 C:\Program Files (x86)\Tesseract-OCR;）添加進去
- 在windows系統你還需要將testdata目錄也加入環境變量，TESSDATA_PREFIX=C:\Program Files (x86)\Tesseract-OCR\tessdata
驗證安裝：
- 打開命令終端，輸入：tesseract -v，可以看到版本信息
落地驗證：
- 直接下載：https://raw.githubusercontent.com/Python3WebSpider/Testtess/master/image.png 然后，將圖片下載下來並保存為image.png，然后使用tesseract命令進行測試
- 命令：tesseract image.png 1 （image.png 代表待識別的源文件，1代表輸出文件名，默認輸出格式是txt文件格式！）
python用tesseract-ocr做圖像識別
需要導入兩個庫，這是別人寫好的封裝好的庫文件。
- 需要用到兩個庫：pytesseract和PIL
- 還需要安裝識別引擎tesseract-ocr
Python-tesseract： 是Tesseract OCR引擎的Python封裝類。能夠讀取任何常規的圖片文件(JPG, GIF ,PNG , TIFF等)並解碼成可讀的語言。在OCR處理期間不會創建任何臨文件
PIL （Python Imaging Library）：是 Python 中最常用的圖像處理庫。
python對圖像的處理比較常見的是用 pytesseract 識別驗證碼，要安裝pytesseract庫，必須先安裝其依賴的 PIL 及 tesseract-ocr，其中PIL為圖像處理庫，而后面的tesseract-ocr則為google的ocr識別引擎。
- 命令：pip install pillow 目前PIL的官方最新版本為1.1.7，支持的版本為python 2.5, 2.6, 2.7，並不支持python3，經查詢python3.X用pillow代替，進入DOS命令行窗口，敲入以下代碼
- 命令：pip install pytesseract
示例代碼：
import pytesseract from PIL import Image as img text = pytesseract.image_to_string(img.open('image.png')) print(text)
示例結果：
帶中文圖片示例（示例圖片是從百度圖片上下載的）：
中文效果並不理想，下一節介紹訓練過程
相關鏈接：
- tesserocr GitHub: https://github.com/sirfz/tesserocr
- tesserocr PyPI: https://pypi.python.org/pypi/tesserocr
- tesseract 下載地址： https://digi.bib.uni-mannheim.de/tesseract/
- tesseract GitHub : https://github.com/tesseract-ocr/tesseract
- tesseract 語言包 ： https://github.com/tesseract-ocr/tessdata
- tesseract 文檔 ： https://github.com/tesseract-ocr/tesseract/wiki/Documentation
參考資料：