簡介一份面向 Visual Studio 2008 開發(fā)者的 Tesseract OCR 3.02.02 集成資源包配套 Leptonica 1.68適合需要在 Windows 環(huán)境下快速獲得 C 版 OCR 識(shí)別能力的開發(fā)者。資源共 93 個(gè)文件包括 65 個(gè)頭文件、18 個(gè)靜態(tài)/導(dǎo)入庫文件、4 個(gè) DLL 運(yùn)行庫以及 vsprops 屬性配置文件與批量處理腳本壓縮包整體約 19.57MB目錄按 include、lib、dll 清晰組織解壓后可直接配置項(xiàng)目屬性完成鏈接。Tesseract 3.02.02 支持中英文等多語言識(shí)別包內(nèi)含 tesseract 與 leptonica 兩套頭文件及 x86 編譯產(chǎn)物可減少自行編譯的繁瑣步驟。現(xiàn)有 218 人學(xué)習(xí)/下載較為適合初涉 OCR 或需要在 VS2008 老項(xiàng)目中引入文字識(shí)別能力的工程師拿到后即可對(duì)照 include 目錄進(jìn)行 API 調(diào)用配合 lib 與 dll 完成環(huán)境搭建與示例驗(yàn)證。1. 這套 VC2008 版 Tesseract 庫到底解決誰的痛點(diǎn)如果你手里還壓著一個(gè) VS2008 時(shí)代的 Windows 老項(xiàng)目突然被要求加 OCR 識(shí)別能力最尷尬的往往不是不會(huì)寫識(shí)別代碼而是找不到能鏈接進(jìn)工程的庫。Tesseract 官網(wǎng)安裝包只提供命令行 exe想要 C 開發(fā)必須自己編譯更麻煩的是新編譯器編出來的 lib 和 VC2008 工程的 ABI 根本不兼容。tesseract-3.02.02-vc2008-lib-include-dll 這個(gè)壓縮包就是把 Tesseract 3.02.02 在 VC2008 下編譯好的頭文件、導(dǎo)入庫和運(yùn)行庫打包在一起解壓后配置進(jìn) VS2008 工程就能直接調(diào)用 C API 做識(shí)別。它解決的是典型的存量系統(tǒng)集成問題工具鏈不能升、運(yùn)行環(huán)境還停在 XP 或 Win7、領(lǐng)導(dǎo)要求加 OCR 但不能動(dòng)整體架構(gòu)。用這個(gè)包你可以繞開源碼編譯里 CMake、依賴庫、環(huán)境檢查那一堆破事把 include、lib、dll 三樣?xùn)|西放對(duì)位置然后用老項(xiàng)目熟悉的寫法直接干活。適合維護(hù) MFC/Win32 存量代碼、又不打算折騰新工具鏈的從業(yè)者。2. 拆開 rar 看門道include/lib/dll 三件套的正確分工老項(xiàng)目集成第三方庫最忌諱的就是把整個(gè)壓縮包直接拖進(jìn)工程再亂試。先花十分鐘弄清楚包里三樣?xùn)|西各自負(fù)責(zé)哪個(gè)階段后面能少走一晚上彎路。Windows 下動(dòng)態(tài)庫的標(biāo)準(zhǔn)分發(fā)形態(tài)就是這三個(gè)角色Tesseract 的 VC2008 編譯包也不例外。2.1 include 目錄C API 的頭文件是關(guān)鍵地圖include 目錄里最重要的是一組 Tesseract 頭文件其中tesseract/baseapi.h定義了TessBaseAPI識(shí)別主類publictypes.h放著PageSegMode、OcrEngineMode這些枚舉capi.h則提供了純 C 接口。3.02.02 這個(gè)版本對(duì) VS2008 老工程特別友好因?yàn)?VC9 編譯器對(duì) C11 的支持近乎為零而新版 Tesseract 源碼大量使用較新的語法特性拿回 VS2008 下編譯報(bào)錯(cuò)能刷滿整個(gè)輸出窗口。3.02.02 還在老式 C98 語法范圍內(nèi)是少數(shù)能順利集成進(jìn)來的選擇。要特別注意的是依賴關(guān)系3.02.02 的baseapi.h內(nèi)部會(huì) include Leptonica 的leptonica/allheaders.h這是 Tesseract 的圖像處理底層。如果 rar 包只帶了 Tesseract 自己的頭文件而沒帶 Leptonica你就需要自行補(bǔ)一份兼容版本的 include 路徑。常見做法是把 Leptonica 的頭文件解壓到同一個(gè) include 根目錄下或者單獨(dú)維護(hù)一個(gè)目錄然后在工程屬性里追加。驗(yàn)證頭文件是否可用很簡單寫一個(gè)空的 cpp先#include tesseract/baseapi.h再#include leptonica/allheaders.h能編譯過說明地圖到手了。2.2 lib 與 dll鏈接期和運(yùn)行期為什么缺一不可解壓后你會(huì)看到.lib文件就在.dll旁邊這種布局意味著它是 Tesseract 的導(dǎo)入庫不是靜態(tài)庫。導(dǎo)入庫里沒有函數(shù)實(shí)現(xiàn)只有符號(hào)重定位信息真正的代碼在tesseract.dll里。鏈接器在鏈接期從導(dǎo)入庫里找符號(hào)地址運(yùn)行期由 Windows 加載器把 dll 映射進(jìn)進(jìn)程。所以只配 lib 不部署 dll編譯能通過但雙擊 exe 時(shí)會(huì)立刻收到“無法啟動(dòng)此程序因?yàn)橛?jì)算機(jī)中丟失 tesseract.dll”的彈窗這是 Windows 動(dòng)態(tài)庫的基本規(guī)則跟 Tesseract 本身沒關(guān)系。還有一個(gè)容易在交接時(shí)被忽略的點(diǎn)運(yùn)行期不光需要tesseract.dll還需要它內(nèi)部調(diào)用的 Leptonica dll通常是liblept*.dll。如果包里帶全了最好如果沒帶項(xiàng)目移交時(shí)一定要在說明里寫清楚“還需要 Leptonica 的運(yùn)行時(shí)”否則換一臺(tái)機(jī)器部署就崩。我的習(xí)慣是拿到包先看目錄確認(rèn)三件套之外有沒有依賴 dll再用下面這個(gè)表格記下每個(gè)文件的階段歸屬貼到工程說明里。文件角色典型路徑作用階段缺失時(shí)的典型報(bào)錯(cuò)頭文件include/tesseract/baseapi.h編譯期無法打開包括文件 tesseract/baseapi.h導(dǎo)入庫lib/tesseract.lib鏈接期LNK2019 無法解析的外部符號(hào)運(yùn)行庫bin/tesseract.dll運(yùn)行期無法啟動(dòng)程序丟失 tesseract.dll依賴庫leptonica 的 .h / .lib / .dll全階段編譯、鏈接或運(yùn)行期報(bào)錯(cuò)有了這張表遇到任何報(bào)錯(cuò)都能先定位到是哪一階段出了問題。還有一種常見情況編譯包只提供 Release 版。VS2008 的 Debug 工程硬鏈接 Release 導(dǎo)入庫有時(shí)也能過但運(yùn)行時(shí) CRT 不一致會(huì)表現(xiàn)為不明原因的內(nèi)存崩潰尤其是跨模塊分配釋放字符串的時(shí)候。我一般直接建議客戶全工程切 Release 發(fā)布省掉一堆 Debug/Release 混用的血淚問題。3. 把 tesseract 3.02.02 接進(jìn) VS2008 工程配置步驟與最小識(shí)別代碼這一章開始動(dòng)手。假設(shè)你已經(jīng)把壓縮包解壓到D:\thirdparty\tesseract-3.02.02下一步是把它配置進(jìn)一個(gè) VS2008 控制臺(tái)工程。整個(gè)過程分兩步先把工程屬性里的頭文件路徑、庫路徑和依賴項(xiàng)寫對(duì)再寫一段最小識(shí)別代碼驗(yàn)證鏈路通不通。3.1 工程屬性配置include 路徑、lib 路徑、附加依賴項(xiàng)在 VS2008 里第三方庫配置有三個(gè)入口全部在“項(xiàng)目屬性”里不要寫到 VC 目錄項(xiàng)目右鍵屬性 → 配置屬性 → C/C/常規(guī)/附加包含目錄鏈接器/常規(guī)/附加庫目錄鏈接器/輸入/附加依賴項(xiàng)。之所以不推薦寫全局的“VC 目錄”是因?yàn)槟菚?huì)污染本機(jī)所有工程尤其是一臺(tái)機(jī)器上同時(shí)維護(hù)多個(gè)老項(xiàng)目時(shí)全局 include 路徑很容易變成“在我機(jī)器上好好的換臺(tái)機(jī)器就廢”。解壓路徑建議直接用純英文、無空格的目錄。VS2008 的舊版頭文件解析遇到中文路徑或空格時(shí)偶爾會(huì)報(bào)出很難查清的“無法打開包括文件”錯(cuò)誤早點(diǎn)規(guī)避。下面是一份可以直接抄的配置清單注意兩段 include 路徑用分號(hào)分隔順序無嚴(yán)格要求但要把 tesseract 的路徑寫前面。附加包含目錄: D:\thirdparty\tesseract-3.02.02\include;D:\thirdparty\leptonica-1.70\include 附加庫目錄: D:\thirdparty\tesseract-3.02.02\lib;D:\thirdparty\leptonica-1.70\lib 附加依賴項(xiàng): tesseract.lib liblept.lib 預(yù)處理器定義: _CRT_SECURE_NO_WARNINGS 字符集: 使用多字節(jié)字符集逐個(gè)說下這幾項(xiàng)的邏輯。附加包含目錄解決編譯期頭文件查找附加庫目錄和附加依賴項(xiàng)解決鏈接期符號(hào)解析_CRT_SECURE_NO_WARNINGS是關(guān)閉 VC9 對(duì)printf、pixRead這類 C 函數(shù)的 C4996 警告不定義也能編但輸出窗口會(huì)被刷屏。字符集選擇“使用多字節(jié)字符集”的理由是老項(xiàng)目大部分是 MBCS而 Tesseract 的 C API 全走char*如果你工程已經(jīng)是 Unicode 字符集后面寫TCHAR與char*互轉(zhuǎn)時(shí)會(huì)多出一層WideCharToMultiByte沒必要給自己加戲。配置完先別急著寫代碼有個(gè)“檢測到 include 錯(cuò)誤請(qǐng)更新 includepath”的經(jīng)驗(yàn)編譯#include tesseract/baseapi.h時(shí)如果報(bào)找不到文件優(yōu)先回去檢查附加包含目錄而不是改代碼里相對(duì)路徑。VS2008 的報(bào)錯(cuò)順序經(jīng)常誤導(dǎo)人可能連著報(bào)十幾個(gè)錯(cuò)實(shí)際就是第一條路徑不對(duì)。3.2 第一段可運(yùn)行的識(shí)別代碼初始化、讀圖、輸出文本工程配置好了寫一個(gè)最簡控制臺(tái)程序功能是讀入一張圖片調(diào)用 Tesseract 的 C API 輸出識(shí)別結(jié)果。注意 3.02.02 的正統(tǒng)用法是走TessBaseAPI類配合 Leptonica 的Pix對(duì)象而不是像新版本那樣能直接喂內(nèi)存 buffer。// ocr_first.cpp // VS2008 控制臺(tái)工程已鏈接 tesseract.lib 與 liblept.lib #include tesseract/baseapi.h #include leptonica/allheaders.h #include cstdio int main() { // 1. 初始化第一參數(shù)傳 tessdata 的父目錄NULL 表示使用 TESSDATA_PREFIX 環(huán)境變量 // 第二參數(shù)是語言多個(gè)語言用加號(hào)連接例如 engchi_sim tesseract::TessBaseAPI api; if (api.Init(D:/thirdparty/tesseract-3.02.02, eng) ! 0) { fprintf(stderr, 初始化失敗請(qǐng)檢查 tessdata 路徑\n); return -1; } // 2. 用 Leptonica 讀圖返回 NULL 說明路徑或圖片格式有問題 Pix* pix pixRead(sample.png); if (pix NULL) { fprintf(stderr, 圖片讀取失敗\n); api.End(); return -2; } // 3. 先設(shè)置版面模式再把圖像交給識(shí)別引擎 api.SetPageSegMode(tesseract::PSM_AUTO); api.SetImage(pix); // 4. 識(shí)別結(jié)果統(tǒng)一為 UTF-8 字節(jié)流用完必須 delete[] 釋放 char* text api.GetUTF8Text(); if (text ! NULL) { printf(%s\n, text); delete[] text; } else { fprintf(stderr, 沒有識(shí)別出內(nèi)容\n); } api.End(); pixDestroy(pix); return 0; }這段代碼里有幾個(gè)參數(shù)值得反復(fù)確認(rèn)。Init的第一個(gè)參數(shù)是 tessdata 的父目錄不是 tessdata 目錄本身Tesseract 內(nèi)部會(huì)拼出父目錄/tessdata/語言.traineddata這個(gè)細(xì)節(jié)是后面避坑章第一名的常見誤區(qū)。第二個(gè)語言參數(shù)“eng”是英文想識(shí)別簡體中文就換chi_sim前提是語言包存在。PSM_AUTO是自動(dòng)版面分析適合整頁文檔如果確定要識(shí)別的是單行文本改成PSM_SINGLE_LINE會(huì)更快更準(zhǔn)枚舉值定義在publictypes.h里建議寫代碼時(shí)現(xiàn)場查。內(nèi)存釋放這一行千萬別省GetUTF8Text()返回的是new[]分配的內(nèi)存用delete[]釋放。我在交接項(xiàng)目時(shí)見到過有人每幀調(diào)用識(shí)別但不釋放長時(shí)間跑下來內(nèi)存直線上升最后被當(dāng)成“識(shí)別泄漏”排查了三天其實(shí)代碼就一行的問題。另外pixDestroy(pix)釋放的是 Leptonica 的圖像對(duì)象和api.End()的順序不要反先釋放引擎再銷毀圖像避免訪問已釋放內(nèi)存。4. 避坑指南dll 加載失敗、字符集與路徑的三類翻車現(xiàn)場配置寫對(duì)、代碼能編譯只是跨過了第一道坎。鏈接期、運(yùn)行期、識(shí)別質(zhì)量三個(gè)層面還埋著不少坑每一條都讓新人卡過至少一個(gè)晚上。下面的問題按“現(xiàn)象 → 原因 → 解決”的順序?qū)懻罩挪楸认乖嚳斓枚唷?.1 運(yùn)行時(shí)報(bào)“計(jì)算機(jī)中丟失 tesseract.dll”先查 dll 部署位置現(xiàn)象VS2008 里編譯鏈接全部通過F5 進(jìn)入調(diào)試彈窗提示“無法啟動(dòng)此程序因?yàn)橛?jì)算機(jī)中丟失 tesseract.dll”也就是說程序根本沒運(yùn)行起來。原因?qū)霂熘回?fù)責(zé)鏈接期運(yùn)行期 Windows 按照 exe 所在目錄、系統(tǒng)目錄、PATH 環(huán)境變量的順序搜索依賴 dll。你只把 lib 配進(jìn)了工程dll 還躺在解壓目錄里運(yùn)行當(dāng)然找不到。還有一種情況是調(diào)試器能跑但雙擊 exe 跑不了因?yàn)?IDE 可能把解壓目錄加進(jìn)了環(huán)境變量脫離了 IDE 就原形畢露。解決把tesseract.dll和 Leptonica 的 dll 復(fù)制到 exe 輸出目錄。最省心的做法是寫一個(gè)后期生成事件每次編譯完自動(dòng)復(fù)制VS2008 的宏$(OutDir)會(huì)隨 Debug/Release 配置自動(dòng)切換輸出路徑。格式如下copy /Y D:\thirdparty\tesseract-3.02.02\bin\*.dll $(OutDir)網(wǎng)上有些“dll 修復(fù)工具”能把彈窗壓下去但我建議你別碰。它們通常是往系統(tǒng)目錄里塞一個(gè)同名 dll短期不報(bào)錯(cuò)長期會(huì)和其他程序造成 dll 沖突。這個(gè)問題的根因是部署路徑不是系統(tǒng)缺文件把 dll 放到 exe 旁邊就完了。4.2 中文識(shí)別輸出亂碼UTF-8 與本地代碼頁的轉(zhuǎn)換陷阱現(xiàn)象GetUTF8Text()明明返回了字符串用printf打出來卻是一堆“錕斤拷”或者問號(hào)英文正常中文全亂。原因Tesseract 的識(shí)別結(jié)果統(tǒng)一是 UTF-8 字節(jié)流而中文 Windows 控制臺(tái)默認(rèn)代碼頁是 936GBK。VS2008 工程如果用的是多字節(jié)字符集char*里的字節(jié)被控制臺(tái)按 GBK 解釋UTF-8 中文字節(jié)序列自然全亂。這是字符集不匹配不是識(shí)別錯(cuò)誤。解決在輸出前做一次 UTF-8 到本地代碼頁的轉(zhuǎn)換。Windows 上的標(biāo)準(zhǔn)路徑是先去CP_UTF8轉(zhuǎn) UTF-16再按CP_ACP轉(zhuǎn) ANSI下面這個(gè)函數(shù)可以直接抄進(jìn)工程#include windows.h void PrintUtf8(const char* utf8) { // UTF-8 先轉(zhuǎn) UTF-16再轉(zhuǎn)本地 ANSI 代碼頁繞開控制臺(tái)代碼頁問題 int wlen MultiByteToWideChar(CP_UTF8, 0, utf8, -1, NULL, 0); wchar_t* wbuf new wchar_t[wlen]; MultiByteToWideChar(CP_UTF8, 0, utf8, -1, wbuf, wlen); int alen WideCharToMultiByte(CP_ACP, 0, wbuf, -1, NULL, 0, NULL, NULL); char* abuf new char[alen]; WideCharToMultiByte(CP_ACP, 0, wbuf, -1, abuf, alen, NULL, NULL); printf(%s\n, abuf); delete[] wbuf; delete[] abuf; }不要試圖用SetConsoleOutputCP(CP_UTF8)一條命令解決XP 的老控制臺(tái)對(duì)切換 UTF-8 支持不穩(wěn)定很多人設(shè)完反而連英文都顯示不對(duì)。如果你識(shí)別結(jié)果要落盤更建議直接以 UTF-8 編碼寫文件文件不依賴控制臺(tái)代碼頁后續(xù)用編輯器打開也不會(huì)亂。4.3 Init 返回非 0 或識(shí)別結(jié)果為空tessdata 路徑的玄學(xué)現(xiàn)象api.Init(xxx, eng)返回非 0程序不報(bào)錯(cuò)繼續(xù)跑或者 Init 返回 0但GetUTF8Text()返回空字符串。原因第一類多半是 tessdata 路徑寫錯(cuò)。Tesseract 3.x 的Init要求傳入的是 tessdata 的父目錄很多人按直覺把路徑指到了tessdata子目錄本身引擎找不到語言包只能返回失敗。第二類則要檢查圖片讀取pixRead返回 NULL 時(shí)SetImage不會(huì)立刻報(bào)錯(cuò)只是后續(xù)識(shí)別結(jié)果自然為空。解決路徑直接用絕對(duì)路徑傳父目錄Init內(nèi)部會(huì)自動(dòng)拼接tessdata/eng.traineddata。路徑分隔符建議用正斜杠省去反斜杠轉(zhuǎn)義也避免底層文件解析在反斜杠上翻車。代碼里可以先把pix是否為 NULL 打出來再?zèng)Q定繼續(xù)查哪邊if (api.Init(D:/thirdparty/tesseract-3.02.02, eng) ! 0) { fprintf(stderr, Init 失敗檢查 tessdata 是否存在\n); return -1; }這里還有個(gè)環(huán)境變量的坑Init(NULL, eng)依賴TESSDATA_PREFIX環(huán)境變量而且該變量同樣要指向父目錄。很多教程只寫了變量名沒寫層級(jí)關(guān)系導(dǎo)致大家把值直接設(shè)成 tessdata 目錄結(jié)果部分版本能跑部分不能跑。我的建議是少依賴環(huán)境變量顯式傳路徑參數(shù)在手心里不慌。4.4 鏈接報(bào) LNK2038/LNK2019VC 版本與平臺(tái)不匹配現(xiàn)象鏈接階段報(bào)LNK2038 mismatch detected for _MSC_VER或者一大串LNK2019 無法解析的外部符號(hào)。原因VC2008 的_MSC_VER是 1500VC2010 是 1600VC2015 是 1900。不同編譯器對(duì) C 類的內(nèi)存布局和名字修飾規(guī)則不同拿新版本編譯的 lib 鏈接進(jìn) VS2008 工程必然報(bào)_MSC_VER不匹配。另一種常見變體是工程是 x64庫是 x86符號(hào)對(duì)不上報(bào) LNK2019。解決確認(rèn)這個(gè) rar 包是 VC2008 且平臺(tái)一致的產(chǎn)物別混用網(wǎng)上所謂“支持 VS2008”的通用包。檢查方法是用 VS2008 自帶的 dumpbindumpbin /headers tesseract.lib | findstr /i machine debug輸出里Machine: x86表示 32 位庫如果是x64就和 Win32 工程對(duì)不上。Debug目錄一欄沒有Debug字段通常表示 Release 庫。我處理過一個(gè)現(xiàn)場就是這個(gè)原因工程從 Win32 遷移到 x64代碼一行沒改鏈接全部崩掉最后發(fā)現(xiàn)是庫里只有 x86 版本換庫立刻恢復(fù)正常。所以遇到 LNK2019先查平臺(tái)再查版本。4.5 dll 依賴鏈里混進(jìn)其他版本莫名其妙的運(yùn)行時(shí)崩潰現(xiàn)象程序在部分機(jī)器上穩(wěn)定運(yùn)行在另一些機(jī)器上跑到pixRead或Init時(shí)隨機(jī)崩潰沒有穩(wěn)定的復(fù)現(xiàn)步驟看起來像玄學(xué)。原因dll 沖突。Leptonica 的 dll 名字在不同版本、不同編譯者手里可能完全相同系統(tǒng) PATH 里如果先被其他程序加載了舊版liblept.dll你的程序就會(huì)拿到錯(cuò)誤的行為。機(jī)器上同時(shí)存在兩個(gè) Leptonica 版本是常態(tài)加載順序一變表現(xiàn)就變。解決核心原則是 dll 跟隨 exe并且不要依賴 PATH。把整套 dll 放到 exe 同目錄并檢查系統(tǒng)目錄和 PATH 里有沒有同名舊 dll。排查時(shí)可以用 Process Explorer 查看實(shí)際加載的 dll 路徑或者用dumpbin /imports tesseract.exe看導(dǎo)入表。這個(gè)坑一旦定位其實(shí)很好解難的是想到是 dll 沖突。現(xiàn)在我接手任何老庫集成第一條規(guī)則就是“自己目錄優(yōu)先絕不指望 PATH”這半年省掉了大量類似問題的時(shí)間。5. 識(shí)別效果調(diào)優(yōu)語言包選擇與預(yù)處理參數(shù)庫集成好了能跑通識(shí)別只是及格線。實(shí)際項(xiàng)目里對(duì)識(shí)別準(zhǔn)確率和速度都有要求這章講兩個(gè)最見效的調(diào)優(yōu)點(diǎn)語言包是否匹配版本、版面模式與預(yù)處理參數(shù)是否合適。5.1 語言包tessdata的下載與放置先明確一個(gè)硬約束Tesseract 4.0 之后默認(rèn)使用 LSTM 引擎訓(xùn)練數(shù)據(jù)格式和 3.x 的 legacy 引擎完全不同。3.02.02 必須用 3.x 時(shí)代的traineddata文件強(qiáng)行塞新版的chi_sim.traineddata要么 Init 失敗要么識(shí)別質(zhì)量異常。所以不要再問“為什么我下載了最新中文包識(shí)別率反而更差”了老引擎配老包是硬件兼容級(jí)別的需求不是喜好問題。語言包放置位置要與Init第一個(gè)參數(shù)正確配合。如果你傳的是D:/thirdparty/tesseract-3.02.02那就把eng.traineddata、chi_sim.traineddata放進(jìn)D:/thirdparty/tesseract-3.02.02/tessdata/下目錄名必須叫tessdata大小寫敏感。初始化多語言時(shí)用加號(hào)連接比如engchi_simTesseract 會(huì)在識(shí)別時(shí)按需加載多個(gè)語言包。判斷語言包是否真的加載成功可以看Init返回值也可以直接檢查目錄文件最笨但最可靠的辦法是在代碼里打印GetInitLanguagesAsString()具體接口以 baseapi.h 為準(zhǔn)返回的字符串里應(yīng)該能看到你傳入的語言代號(hào)。如果語言包缺失這個(gè)接口返回的內(nèi)容和預(yù)期不一致能節(jié)省不少盲查時(shí)間。簡體中文包注意別下成chi_sim與chi_tra混淆項(xiàng)目只做大陸簡體場景時(shí)只放chi_sim即可少放一個(gè)語言包還能省初始化時(shí)間。5.2 預(yù)處理參數(shù)psm 模式、白名單與圖像處理PageSegMode是 3.02.02 里影響識(shí)別率和速度最直接的參數(shù)。不同場景選不同模式下面這張表是我平時(shí)用的對(duì)照具體枚舉數(shù)值要以publictypes.h為準(zhǔn)不同小版本偶爾有調(diào)整寫代碼前先查一眼頭文件最穩(wěn)。模式常量適用場景備注PSM_AUTO整頁混合排版、多段文檔自動(dòng)版面分析最慢PSM_SINGLE_BLOCK圖片中一個(gè)完整文字塊跳過版面切分穩(wěn)定PSM_SINGLE_LINE單行文本、票據(jù)編號(hào)、單行地址常見的中高速場景PSM_SINGLE_WORD單個(gè)英文單詞或漢字詞組適合驗(yàn)證碼類圖像PSM_SINGLE_CHAR單個(gè)獨(dú)立字符適合數(shù)字盤、獨(dú)立字母確定了版面模式再配合字符白名單識(shí)別數(shù)字或型號(hào)類內(nèi)容時(shí)準(zhǔn)確率能再上一個(gè)臺(tái)階。比如只關(guān)心發(fā)票代碼就限定識(shí)別范圍到數(shù)字加字母api.SetVariable(tessedit_char_whitelist, 0123456789ABCDEFGHIJKLMNOPQRSTUVWXYZ);這個(gè)白名單對(duì) 3.x 的 legacy 引擎支持得很好屬于老版本的一大優(yōu)勢新版 LSTM 對(duì)白名單的響應(yīng)反而沒那么直接。需要注意白名單不是越多越好識(shí)別中文時(shí)不要試圖把全中文字符塞進(jìn)去內(nèi)存開銷和匹配耗時(shí)都會(huì)上升一般只用于封閉字符集場景。圖像預(yù)處理方面掃描件和屏幕截圖直接喂給 Tesseract效果經(jīng)常不理想因?yàn)榈咨?、噪點(diǎn)、低對(duì)比度都會(huì)干擾字符分割。常見做法是先轉(zhuǎn) 8 位灰度再識(shí)別Pix* gray pixConvertTo8(pix, FALSE); api.SetImage(gray);pixConvertTo8的第二個(gè)參數(shù)FALSE表示不強(qiáng)制按調(diào)色板量化保留灰度漸變。如果識(shí)別對(duì)象是紅章蓋黑字、藍(lán)底白字這類彩色票據(jù)灰度這一步幾乎是必做的。遇到尺寸較小的圖片直接把圖放大兩倍再識(shí)別老引擎對(duì)中文字形的筆畫細(xì)節(jié)特別敏感分辨率不夠時(shí)“日”和“目”經(jīng)?；?。批量場景下3.02.02 只支持單線程識(shí)別多開幾個(gè)線程各處理各的圖片是提速的常規(guī)手段但要注意每個(gè)線程各自創(chuàng)建TessBaseAPI實(shí)例不能共用一個(gè)實(shí)例并發(fā)調(diào)用。6. 寫一個(gè)命令行驗(yàn)證器批量圖片識(shí)別與自檢腳本單張圖片識(shí)別通過不代表交付完成實(shí)際項(xiàng)目里要面對(duì)的是幾百張圖片的批量任務(wù)。手工一張張調(diào)用測試版程序顯然不現(xiàn)實(shí)我習(xí)慣的做法是先寫一個(gè)接收?qǐng)D片列表的命令行驗(yàn)證器把識(shí)別結(jié)果落到控制臺(tái)或文件里再用腳本自動(dòng)比對(duì)關(guān)鍵字形成一個(gè)可回歸的自檢流程。// ocr_batch.cpp #include tesseract/baseapi.h #include leptonica/allheaders.h #include cstdio #include cstring int main(int argc, char* argv[]) { if (argc 3) { fprintf(stderr, 用法: ocr_batch tessdata父目錄 圖片列表.txt\n); return 1; } tesseract::TessBaseAPI api; if (api.Init(argv[1], engchi_sim) ! 0) { fprintf(stderr, 初始化失敗\n); return 2; } FILE* f fopen(argv[2], r); char line[512]; while (fgets(line, sizeof(line), f)) { line[strcspn(line, \r\n)] 0; Pix* pix pixRead(line); if (pix NULL) { fprintf(stderr, 跳過無法讀取的圖片: %s\n, line); continue; } api.SetImage(pix); char* text api.GetUTF8Text(); if (text ! NULL) { printf(%s %s\n, line, text); delete[] text; } pixDestroy(pix); } api.End(); fclose(f); return 0; }這里的關(guān)鍵參數(shù)是argv[1]傳入 tessdata 父目錄argv[2]是圖片清單文件每一行寫一個(gè)圖片路徑。Init加載了engchi_sim雙語言適合中文票據(jù)和英文混排的樣本。清單里讀到的行會(huì)先去掉換行符再交給pixRead讀不出來就跳過但打日志避免一個(gè)壞圖拖死整批任務(wù)。實(shí)際上生產(chǎn)環(huán)境更應(yīng)該把 printf 改成寫文件輸出控制臺(tái)滾動(dòng)日志在幾百張圖時(shí)基本沒有檢索價(jià)值。驗(yàn)證思路很樸素準(zhǔn)備三五張有代表性的樣本跑一遍批量器再用findstr檢查結(jié)果里是否包含關(guān)鍵字段。批處理腳本可以寫成ocr_batch.exe D:\tesseract-3.02.02 list.txt result.log findstr /C:發(fā)票代碼 result.log echo 自檢通過這樣每次拿到新的庫實(shí)例或換一臺(tái)部署機(jī)器都能用同一套樣本跑回歸不用人眼一張張盯。這個(gè)驗(yàn)證器我后來每個(gè) OCR 項(xiàng)目都在用區(qū)別只是換樣本圖集?；乜?Tesseract 3.02.02 的集成過程真正的難點(diǎn)其實(shí)不在 OCR 算法而在 Windows 老工程里 dll 路徑、字符集、tessdata 目錄這幾個(gè)老三樣上。頭一回接這個(gè)包時(shí)我光驗(yàn)證 “Init 到底傳父目錄還是 tessdata 目錄” 就試了兩種寫法最后老老實(shí)實(shí)翻開 baseapi.h 注釋才確定。現(xiàn)在我的習(xí)慣是先確認(rèn)編譯器和平臺(tái)再拆包看三件套最后寫最小驗(yàn)證器每走一步都確認(rèn)一次再繼續(xù)這套流程至今沒讓我在類似老庫集成上翻大車。希望幫到你。本文還有配套的精品資源點(diǎn)擊獲取