关于

这个包包含一个 OCR 引擎 - libtesseract 和一个命令行程序 - tesseract。

Tesseract 4 添加了一个新的基于神经网络 (LSTM) 的 OCR 引擎，该引擎专注于线条识别，但仍支持 Tesseract 3 的传统 Tesseract OCR 引擎，该引擎通过识别字符模式来工作。

通过使用旧 OCR 引擎模式 (–oem 0) 启用与 Tesseract 3 的兼容性。

它还需要支持遗留引擎的训练数据文件，例如来自 tessdata 存储库的文件。

首席开发人员是 Ray Smith。维护者是 Zdenko Podobny。有关贡献者列表，请参阅作者和 GitHub 的贡献者日志。

Tesseract 支持 unicode (UTF-8)，可以“开箱即用”识别 100 多种语言。

Tesseract 支持各种输出格式：纯文本、hOCR (HTML)、PDF、仅不可见文本的 PDF、TSV。 master 分支也有对 ALTO (XML) 输出的实验性支持。

您应该注意，在许多情况下，为了获得更好的 OCR 结果，您需要提高提供给 Tesseract 的图像的质量。

该项目不包括 GUI 应用程序。如果您需要，请参阅 3rdParty 文档。

可以训练 Tesseract 识别其他语言。有关更多信息，请参阅 Tesseract 培训。

历史简介

Tesseract 最初是在 1985 年至 1994 年间在 Hewlett-Packard Laboratories Bristol 和 Hewlett-Packard Co, Greeley Colorado 开发的，1996 年进行了更多更改以移植到 Windows，并在 1998 年进行了一些 C++izing。2005 年 Tesseract 开放 由惠普提供。 从 2006 年到 2018 年 11 月，它由 Google 开发。

最新的（基于 LSTM 的）稳定版本是 4.1.1，发布于 2019 年 12 月 26 日。

最新源代码可从 GitHub 上的 master 分支获得。 可以在问题跟踪器和计划文档中找到未解决的问题。

最新的 3.0x 版本为 3.05.02，于 2018 年 6 月 19 日发布。

3.05 的最新源代码可从 GitHub 上的 3.05 分支获得。

这个版本没有开发，但它可以用于特殊情况（例如，参见 3.0x 的特征回归）。

有关版本的更多详细信息，请参阅发行说明和更改日志。

安装 Tesseract

您可以通过预先构建的二进制包安装 Tesseract，也可以从源代码构建它。

构建需要 C++17 支持。

运行 Tesseract

基本命令行用法：

tesseract imagename outputbase [-l lang] [--oem ocrenginemode] [--psm pagesegmode] [configfiles...]

有关各种命令行选项的更多信息，请使用 tesseract –help 或 man tesseract。

示例可以在文档中找到。

对于开发者

开发人员可以使用 libtesseract C 或 C++ API 来构建自己的应用程序。

如果您需要绑定到其他编程语言的 libtesseract，请参阅 AddOns 文档中的包装器部分。

可以在 tesseract-ocr.github.io 上找到由 doxygen 从源代码生成的 Tesseract 文档。

支持

在提交问题之前，请查看此存储库的指南。

如需支持，请先阅读文档，尤其是常见问题解答，看看您的问题是否在那里得到解决。

如果没有，请搜索 Tesseract 用户论坛、Tesseract 开发者论坛和过去的问题，如果您仍然找不到所需的内容，请在邮件列表中寻求支持。

邮件列表：

tesseract-ocr - 适用于 tesseract 用户。

tesseract-dev - 适用于 tesseract 开发人员。

请仅针对错误报告问题，而不是提出问题。

参考资料

https://github.com/tesseract-ocr/tesseract