Ubuntu下安装使用 tesseract-ocr

tesseract-ocr是开源的光学字符识别引擎,有Google的支持,支持很多种语言的识别,下面说一下 我在Ubuntu下安装步骤
其实官方文档上说的很细,下面列出其中的命令,

sudo apt-get install autoconf automake libtool
sudo apt-get install libpng12-dev
sudo apt-get install libjpeg62-dev
sudo apt-get install libtiff4-dev
sudo apt-get install zlib1g-dev

注意最后一个zlib1g-dev中的1g是数字1,而不是小写字母l,

sudo apt-get install libleptonica-dev

下载源文件包解压(目前是3.0),进入目录

./runautoconf
./configure
make
sudo make install

下载语言数据包解压:你可以在这找到更多的语言包

gzip -d eng.traineddata.gz

移动到数据包安装目录下,默认为 /usr/local/share/tessdata

mv eng.traineddata /usr/local/share/tessdata

export TESSDATA_PREFIX=/usr/local/share/

安装图片格式转换工具,因为tesseract只识别tif格式的图片。

apt-get install imagemagick

你可以使用下面的命令转换图片

convert a.jpg a.tif

好了,测试一下吧

tesseract[-l lang] [configs]

tesseract a.tif a

默认为英语,如果你要识别其它语言请使用-l 参数指定,如

tesseract a.tif a -l chi_sim

cat a.txt

你将会看到识别出的文字,太棒了。好了,下面就可以用程序去调用识别文字了,

对于java你也可以使用tess4j封装的API,对于PHP你可以使用exec调用再对文件进行处理,

如果你遇到 lib **.so 找不到请运行

sudo ldconfig

参考文章:
http://code.google.com/p/tesseract-ocr/

Leave a Reply