庫配置與 OCR 實戰(zhàn))
簡介本資源為面向C開發(fā)者的Tesseract OCR 3.02.02集成包專為Visual Studio 2008環(huán)境定制解決老版本IDE下OCR引擎編譯與鏈接困難的問題。包內(nèi)共93個文件以65個h頭文件、18個lib靜態(tài)庫、4個dll動態(tài)庫為主另含vsprops屬性表與bat腳本壓縮包約19.57MB涵蓋Tesseract與Leptonica 1.68的完整依賴可直接用于圖像預(yù)處理與字符識別開發(fā)。資源圍繞OCR核心功能、工作原理及VS2008集成展開涉及圖像灰度化、二值化、文本行分割、字符分類與后處理等環(huán)節(jié)并給出簡體中文識別示例幫助讀者快速完成環(huán)境配置與庫引用。目前已有220人學(xué)習(xí)下載適合需要為桌面程序添加文字識別能力的中級開發(fā)者參考。1. 老版本 Tesseract 的 VC2008 靜態(tài)庫為什么還有人專門找如果你在維護一套十幾年前上線的 C 桌面程序或者接手了某公司遺留的 MFC 項目大概率會遇到一個尷尬局面機器上跑著 Windows 7 甚至 XP 的工控機編譯器是 Visual Studio 2008而你現(xiàn)在需要給它加 OCR 能力。這時候你搜到的絕大多數(shù)方案都是 Tesseract 4.x/5.x 配 CMake、配 vcpkg、配 VS2019根本編不過去。標(biāo)題里這個tesseract-3.02.02-vc2008-lib-include-dll.rar本質(zhì)就是一套已經(jīng)用 VC2008 編譯好的 Tesseract 3.02.02 二進制包里面按慣例包含lib導(dǎo)入庫、include頭文件、dll運行時動態(tài)庫三部分。它解決的不是識別準不準的問題而是在老工具鏈上能不能鏈接成功的問題。適合的人群很明確被 VS2008 鎖死、又必須做離線文字識別的嵌入式或工控方向開發(fā)者。下面我按自己踩過的路把這套東西怎么用、參數(shù)怎么調(diào)、坑在哪講清楚。2. 先搞懂 Tesseract 3.02 的目錄結(jié)構(gòu)與鏈接模型2.1 lib / include / dll 三件套各自干什么拿到這個壓縮包解壓后不要急著往工程里拖。先按角色分類include目錄里是tesseract相關(guān)的 C 頭文件核心是baseapi.h、strngs.h、ocrclass.h這幾個它們定義了TessBaseAPI這個主類lib目錄里是.lib文件分導(dǎo)入庫tesseract302.lib這類和可能的靜態(tài)庫dll目錄里是運行時真正加載的.dll程序跑起來時靠它干活。VC2008 時代的鏈接模型和現(xiàn)在不一樣那時候沒有#pragma comment(lib, ...)滿天飛的習(xí)慣多數(shù)項目是在項目屬性 → 鏈接器 → 輸入 → 附加依賴項里手動填.lib名字。所以你要做的第一件事是確認這套包給的是導(dǎo)入庫 DLL還是純靜態(tài)庫。導(dǎo)入庫體積小幾十 KB 到幾百 KB靜態(tài)庫體積大幾 MB 到十幾 MB。判斷方法很簡單看lib目錄里文件大小再配合dumpbin /headers xxx.lib看有沒有導(dǎo)出符號。提示VC2008 生成的庫默認是_MBCS還是_UNICODE、Debug還是Release必須和你的主工程一致否則會出現(xiàn)一堆LNK2001無法解析的外部符號。這是老工程最常見的翻車點。2.2 為什么是 3.02.02 而不是更新的版本Tesseract 3.x 和 4.x 之間有一次架構(gòu)級變化4.x 引入了基于 LSTM 的識別引擎依賴的第三方庫如 leptonica 版本、C11 特性都往上抬了一截。VC2008 的 C 編譯器對 C11 支持非常有限很多新語法直接編不過。3.02.02 屬于 3.x 后期接口穩(wěn)定、依賴少是能在 VC2008 上跑通的少數(shù)版本之一。從工程角度看3.x 的 API 是同步阻塞式的調(diào)用簡單初始化 → 設(shè)置圖像 → 取結(jié)果。4.x 之后多了很多配置項和線程模型對老程序反而是負擔(dān)。所以選 3.02.02 不是懷舊是被工具鏈逼出來的理性選擇。2.3 依賴 leptonica 這件事必須提前確認Tesseract 本身不做圖像解碼它依賴 leptonica 處理 BMP/TIFF/PNG 等格式。這套 VC2008 包里通常會把 leptonica 的庫一起帶上或者要求你單獨準備。判斷方法看include里有沒有allheaders.hlib里有沒有l(wèi)eptonlib.lib之類。如果沒有你得自己用 VC2008 編一份 leptonica這一步相當(dāng)折磨因為 leptonica 的源碼里也有不少需要改的宏。常見做法是找一份已經(jīng)配好的 leptonica VC2008 版本和 Tesseract 放同一目錄。我一般會把兩個庫的include合并到一個thirdparty目錄鏈接時一起加省得路徑亂。3. 在 VS2008 工程里把庫接進去的最小步驟3.1 建立目錄約定并配置包含路徑先別動工程先在磁盤上把目錄理清楚。我習(xí)慣這樣放thirdparty/ tesseract/ include/ lib/ dll/ leptonica/ include/ lib/ dll/然后在 VS2008 里右鍵工程 → 屬性 → C/C → 常規(guī) → 附加包含目錄把兩個include都加進去。注意 VC2008 的路徑分隔符用反斜杠多個路徑用分號隔開不要用逗號。// 工程里引用頭文件的寫法注意順序 #include allheaders.h // leptonica 先包含 #include baseapi.h // tesseract 主 API #include strngs.h邏輯說明allheaders.h是 leptonica 的總頭里面會帶出一堆圖像類型定義baseapi.h里用到了這些類型所以順序不能反。參數(shù)說明如果你的工程開了預(yù)編譯頭stdafx.h把這些#include放到stdafx.h之后避免宏沖突。3.2 鏈接器里填依賴項與庫目錄屬性 → 鏈接器 → 常規(guī) → 附加庫目錄填thirdparty\tesseract\lib和thirdparty\leptonica\lib。然后鏈接器 → 輸入 → 附加依賴項按依賴順序填leptonlib.lib tesseract302.lib順序很重要Tesseract 依賴 leptonica所以 leptonica 放前面。VC2008 的鏈接器是從左到右解析符號的順序反了會報一堆LNK2019。# 用 dumpbin 確認庫的導(dǎo)出符號VC2008 自帶這個工具 dumpbin /exports tesseract302.lib exports.txt # 打開 exports.txt 看有沒有 TessBaseAPI 相關(guān)符號邏輯說明dumpbin /exports列出導(dǎo)入庫導(dǎo)出的函數(shù)名如果里面找不到TessBaseAPI的構(gòu)造函數(shù)或Init方法說明這個 lib 和頭文件版本對不上。參數(shù)說明/exports只對導(dǎo)入庫和 DLL 有效純靜態(tài)庫要用/symbols。3.3 運行時 DLL 的放置位置編譯鏈接通過不代表能跑。程序啟動時會在幾個位置找 DLLexe 同目錄、系統(tǒng)目錄、PATH 環(huán)境變量里的目錄。最穩(wěn)的做法是把dll目錄里的所有.dll復(fù)制到你的 exe 輸出目錄。# 假設(shè)輸出目錄是 bin\Release copy thirdparty\tesseract\dll\*.dll bin\Release\ copy thirdparty\leptonica\dll\*.dll bin\Release\邏輯說明VC2008 默認輸出目錄是工程目錄下的Release或Debug復(fù)制過去后調(diào)試和發(fā)布都不用再配 PATH。參數(shù)說明如果 DLL 有多個比如tesseract302.dll、leptonlib.dll、可能還有l(wèi)ibtiff.dll一個都不能少缺一個就是啟動即崩而且報錯信息往往很含糊。4. 初始化 TessBaseAPI 與識別參數(shù)怎么設(shè)4.1 最小可運行代碼與語言包路徑Tesseract 3.02 的初始化需要兩個東西datapath語言包目錄和language語言代碼。語言包是tessdata目錄下的*.traineddata文件比如eng.traineddata、chi_sim.traineddata。#include baseapi.h #include string int main() { // 創(chuàng)建 API 實例 tesseract::TessBaseAPI* api new tesseract::TessBaseAPI(); // datapath 指向 tessdata 的上一級目錄不是 tessdata 本身 const char* datapath D:\\project\\tessdata; const char* lang eng; // 初始化返回 0 表示成功 int ret api-Init(datapath, lang); if (ret ! 0) { // 初始化失敗通常是路徑錯或語言包缺失 delete api; return -1; } // 后續(xù)識別流程... api-End(); delete api; return 0; }邏輯說明Init的第二個參數(shù)是語言代碼多個語言用連接比如engchi_sim。參數(shù)說明datapath這個參數(shù)最容易搞錯它指的是包含tessdata文件夾的那個父目錄而不是tessdata本身。如果你寫成D:\project\tessdataTesseract 會去找D:\project\tessdata\tessdata\eng.traineddata必然失敗。4.2 圖像輸入SetImage 的兩種方式Tesseract 3.02 支持兩種圖像輸入直接傳內(nèi)存數(shù)據(jù)或者傳 leptonica 的PIX結(jié)構(gòu)。前者簡單后者靈活。// 方式一傳灰度或彩色像素數(shù)據(jù) unsigned char* imagedata /* 你的圖像緩沖區(qū) */; int width 800; int height 600; int bytes_per_pixel 1; // 灰度圖是 1RGB 是 3 int bytes_per_line width * bytes_per_pixel; api-SetImage(imagedata, width, height, bytes_per_pixel, bytes_per_line); // 方式二用 leptonica 先讀文件 PIX* pix pixRead(input.png); api-SetImage(pix); pixDestroy(pix);邏輯說明方式一要求你自己保證緩沖區(qū)格式正確Tesseract 內(nèi)部會做二值化。參數(shù)說明bytes_per_line是每行字節(jié)數(shù)如果圖像有行對齊填充比如 BMP 每行補齊到 4 字節(jié)這里必須填實際行跨度不能簡單用width * bytes_per_pixel否則圖像會斜切。4.3 識別結(jié)果獲取與置信度過濾char* text api-GetUTF8Text(); if (text ! NULL) { // 處理識別結(jié)果 printf(%s\n, text); delete[] text; // 注意必須用 delete[] 釋放 } // 獲取每個字符的置信度 int conf api-MeanTextConf();邏輯說明GetUTF8Text返回的是堆上分配的字符串必須用delete[]釋放用free或delete都可能出問題。參數(shù)說明MeanTextConf返回平均置信度范圍 0-100低于 60 的結(jié)果基本不可用建議在業(yè)務(wù)層做過濾。5. 避坑VC2008 鏈接 Tesseract 的 5 個血淚記錄5.1 現(xiàn)象LNK2001 無法解析的外部符號全是 C 名字原因庫和工程的運行時庫配置不一致。VC2008 有/MT靜態(tài) CRT和/MD動態(tài) CRT兩種還有 Debug/Release 之分一共四種組合。庫是用/MD Release編的你的工程用/MT Debug符號就對不上。解決屬性 → C/C → 代碼生成 → 運行時庫改成和庫一致的選項。如果不確定庫是哪種用dumpbin /directives xxx.lib看里面引用了MSVCR90.dll還是LIBCMT。5.2 現(xiàn)象程序啟動報應(yīng)用程序配置不正確原因這是 VC2008 的清單manifest問題。DLL 依賴特定版本的 CRT但 exe 的清單里沒聲明或者聲明了但系統(tǒng)里沒有對應(yīng)版本的運行庫。解決安裝 VC2008 的對應(yīng)運行庫或者在工程里把嵌入清單設(shè)為否手動放一個正確的 manifest 文件。最省事的辦法是裝一次完整的 VC2008 運行庫包。5.3 現(xiàn)象Init 返回非 0但路徑看著沒錯原因datapath參數(shù)理解錯誤或者語言包版本和 Tesseract 版本不匹配。3.02.02 需要的是 3.x 格式的traineddata用 4.x 的語言包會初始化失敗。解決確認datapath指向tessdata的父目錄確認tessdata里的文件是 3.x 版本。判斷方法3.x 的eng.traineddata通常在 10-20 MB4.x 的會更大且格式不同。5.4 現(xiàn)象識別結(jié)果全是亂碼或空字符串原因圖像格式不對。Tesseract 3.02 對輸入圖像有要求如果是彩色圖且對比度低二值化后可能全黑或全白。解決先用 leptonica 做預(yù)處理轉(zhuǎn)灰度、增強對比度、二值化再傳給SetImage。我一般會加一步pixConvertRGBToLuminance和pixThresholdToBinary。5.5 現(xiàn)象多線程調(diào)用時崩潰原因Tesseract 3.02 的TessBaseAPI不是線程安全的多個線程共用一個實例會出問題。解決每個線程創(chuàng)建自己的TessBaseAPI實例或者加鎖串行化。注意Init比較耗時線程池場景下建議每個線程初始化一次后復(fù)用。6. 進階用 leptonica 預(yù)處理把識別率拉上來6.1 預(yù)處理鏈路與參數(shù)Tesseract 3.02 的識別率對圖像質(zhì)量非常敏感。我一般會走這條鏈路讀圖 → 轉(zhuǎn)灰度 → 放大 → 二值化 → 去噪。PIX* pix pixRead(input.png); PIX* gray pixConvertRGBToLuminance(pix); // 放大 2 倍小字體識別率提升明顯 PIX* scaled pixScale(gray, 2.0, 2.0); // 自適應(yīng)二值化參數(shù)需要根據(jù)圖像調(diào) PIX* binary pixAdaptThresholdToBinary(scaled, NULL, 0.5); // 去噪 PIX* clean pixRemoveUnusedColors(binary); api-SetImage(clean); char* text api-GetUTF8Text();邏輯說明pixScale放大對小字體幫助很大但放太大會增加識別時間。參數(shù)說明pixAdaptThresholdToBinary的第三個參數(shù)是閾值比例0.5 是常用起點圖像偏暗就調(diào)低偏亮就調(diào)高。6.2 頁面分割模式的選擇Tesseract 3.02 支持通過SetPageSegMode設(shè)置頁面分割模式不同模式對識別結(jié)果影響很大。模式常量適用場景說明PSM_SINGLE_BLOCK單塊文本默認適合規(guī)整文檔PSM_SINGLE_LINE單行文本適合驗證碼、標(biāo)簽PSM_SINGLE_WORD單個詞適合字段提取PSM_SINGLE_CHAR單個字符適合字符識別PSM_AUTO自動通用但慢api-SetPageSegMode(tesseract::PSM_SINGLE_LINE);邏輯說明如果你明確知道圖像里只有一行字用PSM_SINGLE_LINE比默認模式準得多因為它不會去做復(fù)雜的版面分析。參數(shù)說明模式設(shè)置必須在SetImage之前或之后都行但要在GetUTF8Text之前。6.3 白名單與黑名單字符集如果業(yè)務(wù)場景只涉及數(shù)字和字母可以限制識別字符集減少誤識別。api-SetVariable(tessedit_char_whitelist, 0123456789ABCDEFGHIJKLMNOPQRSTUVWXYZ);邏輯說明白名單會強制 Tesseract 只在給定字符里選對固定格式的識別如車牌、編號效果顯著。參數(shù)說明這個變量必須在Init之后、SetImage之前設(shè)置設(shè)置晚了不生效。6.4 一個我常用的驗證習(xí)慣每次調(diào)完參數(shù)不要只看一兩個樣本。我會準備一組 20-30 張有代表性的圖寫個小腳本批量跑統(tǒng)計平均置信度和正確率。這樣能避免調(diào)參調(diào)出過擬合——在某張圖上準了換一張就崩。這個習(xí)慣幫我省了很多后悔藥因為 OCR 的參數(shù)玄學(xué)成分不小單樣本驗證基本等于沒驗證。希望幫到你。本文還有配套的精品資源點擊獲取 VS2008 老工程集成 Tesseract 3.02.02：VC2008 靜態(tài)庫配置與 OCR 實戰(zhàn)
簡介本資源為面向C開發(fā)者的Tesseract OCR 3.02.02集成包專為Visual Studio 2008環(huán)境定制解決老版本IDE下OCR引擎編譯與鏈接困難的問題。包內(nèi)共93個文件以65個h頭文件、18個lib靜態(tài)庫、4個dll動態(tài)庫為主另含vsprops屬性表與bat腳本壓縮包約19.57MB涵蓋Tesseract與Leptonica 1.68的完整依賴可直接用于圖像預(yù)處理與字符識別開發(fā)。資源圍繞OCR核心功能、工作原理及VS2008集成展開涉及圖像灰度化、二值化、文本行分割、字符分類與后處理等環(huán)節(jié)并給出簡體中文識別示例幫助讀者快速完成環(huán)境配置與庫引用。目前已有220人學(xué)習(xí)下載適合需要為桌面程序添加文字識別能力的中級開發(fā)者參考。1. 老版本 Tesseract 的 VC2008 靜態(tài)庫為什么還有人專門找如果你在維護一套十幾年前上線的 C 桌面程序或者接手了某公司遺留的 MFC 項目大概率會遇到一個尷尬局面機器上跑著 Windows 7 甚至 XP 的工控機編譯器是 Visual Studio 2008而你現(xiàn)在需要給它加 OCR 能力。這時候你搜到的絕大多數(shù)方案都是 Tesseract 4.x/5.x 配 CMake、配 vcpkg、配 VS2019根本編不過去。標(biāo)題里這個tesseract-3.02.02-vc2008-lib-include-dll.rar本質(zhì)就是一套已經(jīng)用 VC2008 編譯好的 Tesseract 3.02.02 二進制包里面按慣例包含lib導(dǎo)入庫、include頭文件、dll運行時動態(tài)庫三部分。它解決的不是識別準不準的問題而是在老工具鏈上能不能鏈接成功的問題。適合的人群很明確被 VS2008 鎖死、又必須做離線文字識別的嵌入式或工控方向開發(fā)者。下面我按自己踩過的路把這套東西怎么用、參數(shù)怎么調(diào)、坑在哪講清楚。2. 先搞懂 Tesseract 3.02 的目錄結(jié)構(gòu)與鏈接模型2.1 lib / include / dll 三件套各自干什么拿到這個壓縮包解壓后不要急著往工程里拖。先按角色分類include目錄里是tesseract相關(guān)的 C 頭文件核心是baseapi.h、strngs.h、ocrclass.h這幾個它們定義了TessBaseAPI這個主類lib目錄里是.lib文件分導(dǎo)入庫tesseract302.lib這類和可能的靜態(tài)庫dll目錄里是運行時真正加載的.dll程序跑起來時靠它干活。VC2008 時代的鏈接模型和現(xiàn)在不一樣那時候沒有#pragma comment(lib, ...)滿天飛的習(xí)慣多數(shù)項目是在項目屬性 → 鏈接器 → 輸入 → 附加依賴項里手動填.lib名字。所以你要做的第一件事是確認這套包給的是導(dǎo)入庫 DLL還是純靜態(tài)庫。導(dǎo)入庫體積小幾十 KB 到幾百 KB靜態(tài)庫體積大幾 MB 到十幾 MB。判斷方法很簡單看lib目錄里文件大小再配合dumpbin /headers xxx.lib看有沒有導(dǎo)出符號。提示VC2008 生成的庫默認是_MBCS還是_UNICODE、Debug還是Release必須和你的主工程一致否則會出現(xiàn)一堆LNK2001無法解析的外部符號。這是老工程最常見的翻車點。2.2 為什么是 3.02.02 而不是更新的版本Tesseract 3.x 和 4.x 之間有一次架構(gòu)級變化4.x 引入了基于 LSTM 的識別引擎依賴的第三方庫如 leptonica 版本、C11 特性都往上抬了一截。VC2008 的 C 編譯器對 C11 支持非常有限很多新語法直接編不過。3.02.02 屬于 3.x 后期接口穩(wěn)定、依賴少是能在 VC2008 上跑通的少數(shù)版本之一。從工程角度看3.x 的 API 是同步阻塞式的調(diào)用簡單初始化 → 設(shè)置圖像 → 取結(jié)果。4.x 之后多了很多配置項和線程模型對老程序反而是負擔(dān)。所以選 3.02.02 不是懷舊是被工具鏈逼出來的理性選擇。2.3 依賴 leptonica 這件事必須提前確認Tesseract 本身不做圖像解碼它依賴 leptonica 處理 BMP/TIFF/PNG 等格式。這套 VC2008 包里通常會把 leptonica 的庫一起帶上或者要求你單獨準備。判斷方法看include里有沒有allheaders.hlib里有沒有l(wèi)eptonlib.lib之類。如果沒有你得自己用 VC2008 編一份 leptonica這一步相當(dāng)折磨因為 leptonica 的源碼里也有不少需要改的宏。常見做法是找一份已經(jīng)配好的 leptonica VC2008 版本和 Tesseract 放同一目錄。我一般會把兩個庫的include合并到一個thirdparty目錄鏈接時一起加省得路徑亂。3. 在 VS2008 工程里把庫接進去的最小步驟3.1 建立目錄約定并配置包含路徑先別動工程先在磁盤上把目錄理清楚。我習(xí)慣這樣放thirdparty/ tesseract/ include/ lib/ dll/ leptonica/ include/ lib/ dll/然后在 VS2008 里右鍵工程 → 屬性 → C/C → 常規(guī) → 附加包含目錄把兩個include都加進去。注意 VC2008 的路徑分隔符用反斜杠多個路徑用分號隔開不要用逗號。// 工程里引用頭文件的寫法注意順序 #include allheaders.h // leptonica 先包含 #include baseapi.h // tesseract 主 API #include strngs.h邏輯說明allheaders.h是 leptonica 的總頭里面會帶出一堆圖像類型定義baseapi.h里用到了這些類型所以順序不能反。參數(shù)說明如果你的工程開了預(yù)編譯頭stdafx.h把這些#include放到stdafx.h之后避免宏沖突。3.2 鏈接器里填依賴項與庫目錄屬性 → 鏈接器 → 常規(guī) → 附加庫目錄填thirdparty\tesseract\lib和thirdparty\leptonica\lib。然后鏈接器 → 輸入 → 附加依賴項按依賴順序填leptonlib.lib tesseract302.lib順序很重要Tesseract 依賴 leptonica所以 leptonica 放前面。VC2008 的鏈接器是從左到右解析符號的順序反了會報一堆LNK2019。# 用 dumpbin 確認庫的導(dǎo)出符號VC2008 自帶這個工具 dumpbin /exports tesseract302.lib exports.txt # 打開 exports.txt 看有沒有 TessBaseAPI 相關(guān)符號邏輯說明dumpbin /exports列出導(dǎo)入庫導(dǎo)出的函數(shù)名如果里面找不到TessBaseAPI的構(gòu)造函數(shù)或Init方法說明這個 lib 和頭文件版本對不上。參數(shù)說明/exports只對導(dǎo)入庫和 DLL 有效純靜態(tài)庫要用/symbols。3.3 運行時 DLL 的放置位置編譯鏈接通過不代表能跑。程序啟動時會在幾個位置找 DLLexe 同目錄、系統(tǒng)目錄、PATH 環(huán)境變量里的目錄。最穩(wěn)的做法是把dll目錄里的所有.dll復(fù)制到你的 exe 輸出目錄。# 假設(shè)輸出目錄是 bin\Release copy thirdparty\tesseract\dll\*.dll bin\Release\ copy thirdparty\leptonica\dll\*.dll bin\Release\邏輯說明VC2008 默認輸出目錄是工程目錄下的Release或Debug復(fù)制過去后調(diào)試和發(fā)布都不用再配 PATH。參數(shù)說明如果 DLL 有多個比如tesseract302.dll、leptonlib.dll、可能還有l(wèi)ibtiff.dll一個都不能少缺一個就是啟動即崩而且報錯信息往往很含糊。4. 初始化 TessBaseAPI 與識別參數(shù)怎么設(shè)4.1 最小可運行代碼與語言包路徑Tesseract 3.02 的初始化需要兩個東西datapath語言包目錄和language語言代碼。語言包是tessdata目錄下的*.traineddata文件比如eng.traineddata、chi_sim.traineddata。#include baseapi.h #include string int main() { // 創(chuàng)建 API 實例 tesseract::TessBaseAPI* api new tesseract::TessBaseAPI(); // datapath 指向 tessdata 的上一級目錄不是 tessdata 本身 const char* datapath D:\\project\\tessdata; const char* lang eng; // 初始化返回 0 表示成功 int ret api-Init(datapath, lang); if (ret ! 0) { // 初始化失敗通常是路徑錯或語言包缺失 delete api; return -1; } // 后續(xù)識別流程... api-End(); delete api; return 0; }邏輯說明Init的第二個參數(shù)是語言代碼多個語言用連接比如engchi_sim。參數(shù)說明datapath這個參數(shù)最容易搞錯它指的是包含tessdata文件夾的那個父目錄而不是tessdata本身。如果你寫成D:\project\tessdataTesseract 會去找D:\project\tessdata\tessdata\eng.traineddata必然失敗。4.2 圖像輸入SetImage 的兩種方式Tesseract 3.02 支持兩種圖像輸入直接傳內(nèi)存數(shù)據(jù)或者傳 leptonica 的PIX結(jié)構(gòu)。前者簡單后者靈活。// 方式一傳灰度或彩色像素數(shù)據(jù) unsigned char* imagedata /* 你的圖像緩沖區(qū) */; int width 800; int height 600; int bytes_per_pixel 1; // 灰度圖是 1RGB 是 3 int bytes_per_line width * bytes_per_pixel; api-SetImage(imagedata, width, height, bytes_per_pixel, bytes_per_line); // 方式二用 leptonica 先讀文件 PIX* pix pixRead(input.png); api-SetImage(pix); pixDestroy(pix);邏輯說明方式一要求你自己保證緩沖區(qū)格式正確Tesseract 內(nèi)部會做二值化。參數(shù)說明bytes_per_line是每行字節(jié)數(shù)如果圖像有行對齊填充比如 BMP 每行補齊到 4 字節(jié)這里必須填實際行跨度不能簡單用width * bytes_per_pixel否則圖像會斜切。4.3 識別結(jié)果獲取與置信度過濾char* text api-GetUTF8Text(); if (text ! NULL) { // 處理識別結(jié)果 printf(%s\n, text); delete[] text; // 注意必須用 delete[] 釋放 } // 獲取每個字符的置信度 int conf api-MeanTextConf();邏輯說明GetUTF8Text返回的是堆上分配的字符串必須用delete[]釋放用free或delete都可能出問題。參數(shù)說明MeanTextConf返回平均置信度范圍 0-100低于 60 的結(jié)果基本不可用建議在業(yè)務(wù)層做過濾。5. 避坑VC2008 鏈接 Tesseract 的 5 個血淚記錄5.1 現(xiàn)象LNK2001 無法解析的外部符號全是 C 名字原因庫和工程的運行時庫配置不一致。VC2008 有/MT靜態(tài) CRT和/MD動態(tài) CRT兩種還有 Debug/Release 之分一共四種組合。庫是用/MD Release編的你的工程用/MT Debug符號就對不上。解決屬性 → C/C → 代碼生成 → 運行時庫改成和庫一致的選項。如果不確定庫是哪種用dumpbin /directives xxx.lib看里面引用了MSVCR90.dll還是LIBCMT。5.2 現(xiàn)象程序啟動報應(yīng)用程序配置不正確原因這是 VC2008 的清單manifest問題。DLL 依賴特定版本的 CRT但 exe 的清單里沒聲明或者聲明了但系統(tǒng)里沒有對應(yīng)版本的運行庫。解決安裝 VC2008 的對應(yīng)運行庫或者在工程里把嵌入清單設(shè)為否手動放一個正確的 manifest 文件。最省事的辦法是裝一次完整的 VC2008 運行庫包。5.3 現(xiàn)象Init 返回非 0但路徑看著沒錯原因datapath參數(shù)理解錯誤或者語言包版本和 Tesseract 版本不匹配。3.02.02 需要的是 3.x 格式的traineddata用 4.x 的語言包會初始化失敗。解決確認datapath指向tessdata的父目錄確認tessdata里的文件是 3.x 版本。判斷方法3.x 的eng.traineddata通常在 10-20 MB4.x 的會更大且格式不同。5.4 現(xiàn)象識別結(jié)果全是亂碼或空字符串原因圖像格式不對。Tesseract 3.02 對輸入圖像有要求如果是彩色圖且對比度低二值化后可能全黑或全白。解決先用 leptonica 做預(yù)處理轉(zhuǎn)灰度、增強對比度、二值化再傳給SetImage。我一般會加一步pixConvertRGBToLuminance和pixThresholdToBinary。5.5 現(xiàn)象多線程調(diào)用時崩潰原因Tesseract 3.02 的TessBaseAPI不是線程安全的多個線程共用一個實例會出問題。解決每個線程創(chuàng)建自己的TessBaseAPI實例或者加鎖串行化。注意Init比較耗時線程池場景下建議每個線程初始化一次后復(fù)用。6. 進階用 leptonica 預(yù)處理把識別率拉上來6.1 預(yù)處理鏈路與參數(shù)Tesseract 3.02 的識別率對圖像質(zhì)量非常敏感。我一般會走這條鏈路讀圖 → 轉(zhuǎn)灰度 → 放大 → 二值化 → 去噪。PIX* pix pixRead(input.png); PIX* gray pixConvertRGBToLuminance(pix); // 放大 2 倍小字體識別率提升明顯 PIX* scaled pixScale(gray, 2.0, 2.0); // 自適應(yīng)二值化參數(shù)需要根據(jù)圖像調(diào) PIX* binary pixAdaptThresholdToBinary(scaled, NULL, 0.5); // 去噪 PIX* clean pixRemoveUnusedColors(binary); api-SetImage(clean); char* text api-GetUTF8Text();邏輯說明pixScale放大對小字體幫助很大但放太大會增加識別時間。參數(shù)說明pixAdaptThresholdToBinary的第三個參數(shù)是閾值比例0.5 是常用起點圖像偏暗就調(diào)低偏亮就調(diào)高。6.2 頁面分割模式的選擇Tesseract 3.02 支持通過SetPageSegMode設(shè)置頁面分割模式不同模式對識別結(jié)果影響很大。模式常量適用場景說明PSM_SINGLE_BLOCK單塊文本默認適合規(guī)整文檔PSM_SINGLE_LINE單行文本適合驗證碼、標(biāo)簽PSM_SINGLE_WORD單個詞適合字段提取PSM_SINGLE_CHAR單個字符適合字符識別PSM_AUTO自動通用但慢api-SetPageSegMode(tesseract::PSM_SINGLE_LINE);邏輯說明如果你明確知道圖像里只有一行字用PSM_SINGLE_LINE比默認模式準得多因為它不會去做復(fù)雜的版面分析。參數(shù)說明模式設(shè)置必須在SetImage之前或之后都行但要在GetUTF8Text之前。6.3 白名單與黑名單字符集如果業(yè)務(wù)場景只涉及數(shù)字和字母可以限制識別字符集減少誤識別。api-SetVariable(tessedit_char_whitelist, 0123456789ABCDEFGHIJKLMNOPQRSTUVWXYZ);邏輯說明白名單會強制 Tesseract 只在給定字符里選對固定格式的識別如車牌、編號效果顯著。參數(shù)說明這個變量必須在Init之后、SetImage之前設(shè)置設(shè)置晚了不生效。6.4 一個我常用的驗證習(xí)慣每次調(diào)完參數(shù)不要只看一兩個樣本。我會準備一組 20-30 張有代表性的圖寫個小腳本批量跑統(tǒng)計平均置信度和正確率。這樣能避免調(diào)參調(diào)出過擬合——在某張圖上準了換一張就崩。這個習(xí)慣幫我省了很多后悔藥因為 OCR 的參數(shù)玄學(xué)成分不小單樣本驗證基本等于沒驗證。希望幫到你。本文還有配套的精品資源點擊獲取