tesseract-ocr使用教程

Tesseract-OCR使用教程可分为安装、基础识别、训练自定义字库三个核心部分，具体操作如下：

一、安装Tesseract-OCR

环境配置

macOS ：使用Homebrew安装tesseract-ocr（推荐版本5.5.0），并下载开源的tessdata_best和langdata_lstm数据集。

Windows/Linux ：通过官网或GitHub下载安装包（如tesseract-ocr-w64-setup-5.5.0），安装时选择中文支持，并将tessdata目录添加到系统环境变量。

目录结构设置

建议使用绝对路径，根目录下创建E文件夹，包含tessdata_best、langdata_lstm、output和tmp子目录。

二、基础识别操作

命令行识别

示例命令：tesseract.exe gc.jpg result -l chi_sim，其中chi_sim为简体中文语言文件。


验证安装：在命令行输入tesseract --version确认识别功能。

Python集成

安装依赖：pip install pytesseract pillow。

示例代码：

from PIL import Image

import pytesseract

img = Image.open('gc.jpg')

text = pytesseract.image_to_string(img, lang='chi_sim')

print(text)

三、训练自定义字库

数据准备

收集训练图片，建议多角度、多样本，使用jTessBoxEditor工具标注字符边界。

合并图片为.png格式，按顺序命名（如a.png、b.png等）。

训练流程

打开jTessBoxEditor，导入图片并标注边界，保存为.box文件。

使用命令：tesstrain -o output_dir -l lang -i input_dir，其中output_dir为训练结果目录，lang为语言代码（如chi_sim）。

验证效果

通过命令行tesstrain -v output_dir查看识别报告，或使用Java代码进行验证。

四、注意事项

语言支持 ：默认安装包可能不包含中文，需手动下载对应语言数据文件（如chi_sim.traineddata）并放入tessdata目录。

图像预处理 ：复杂场景建议结合OpenCV进行灰度化、二值化等预处理，提高识别率。

通过上面步骤，可完成Tesseract-OCR的基础使用及自定义字库训练，满足不同场景的识别需求。