tesseract是一个基于C++编写的开源OCR（光学字符识别）库

本文简单介绍一下windows系统中编译和使用tesseract以及调用该库的C++ api进行开发

环境为win10+vs2015

源码下载

tesseract的编译有诸多依赖，tesseract依赖于leptonica，而leptonica又依赖于png，tiff，jpeg等基础库，所以需要下载这些依赖的源码，并且依次编译

考虑到某些图片格式的基础库源码较老并且久未更新难于编译，本文只编译了较新的libtiff，并作为示例，其他图片格式未测试

下载地址：

• libtiff 4.09，http://download.osgeo.org/libtiff/tiff-4.0.9.zip
• leptonica 1.76.0，http://www.leptonica.com/source/leptonica-1.76.0.tar.gz
• tesseract 3.05.01，https://github.com/tesseract-ocr/tesseract/archive/3.05.01.zip

下载完后解压缩到文件夹，这里将三个项目源码都放在codetest目录

编译

特别指定，本文中所有项目生成都是使用cmake-gui工具（首先要会用这个工具），C++编译使用vs2015，所有cmake编译目录都定为build_x64

所有的编译模式都是：vs2015 win64 release

由于tiff --> leptonica --> tesseract 三者之间层层递进，环环相扣，所以编译一定要注意顺序和设置

step1：编译tiff

常规cmake流程编译出 tiff.lib和tiff.dll，位置在 D:codetesttiff-4.0.9build_x64libtiffRelease

step2：编译leptonica

cmake配置，勾选Grouped和Advanced，会显示png和tiff等图片库的设置入口，要先将tiff的目录配置进去，使得支持tiff格式

然后需要修改 libtiff目录下的两个头文件，将tiffconf.vc.h和tif_config.vc.h改名为tiffconf.h和tif_config.h

这样就能编译出leptonica的库文件了

• leptonica-1.76.0.lib，位置D:codetestleptonica-1.76.0build_x64srcRelease
  
• leptonica-1.76.0.dll，位置D:codetestleptonica-1.76.0build_x64binRelease
  

step3：编译tesseract

根目录的cmake配置文件在

if(NOT EXISTS ${PROJECT_SOURCE_DIR}/.cppan)

这句话之前加上

set(Leptonica_DIR D:/codetest/leptonica-1.76.0/build_x64) 

include_directories(
    D:/codetest/leptonica-1.76.0/src
    D:/codetest/leptonica-1.76.0/build_x64/src
)

目的是为了让tesseract在cmake的config阶段找到leptonica的头文件和库

在configure的过程会出现如下日志，显示正在下载ICU的依赖，注意打开vpn，否则会因为网络问题不成功

之后，打开sln进行编译，一般情况下会出现一个字符编码的报错

此时不用惊慌，只需要将tesseract中equationdetect.cpp文件修改一下，再编译就好了

static const STRING kCharsToEx[] = {"'","`",""","",",".","〈","〉","《","》","」","「",""};

改为

static const STRING kCharsToEx[] = { "'","<",">","<<",">>","" };

然后顺利编译出tesseract项目的各种二进制工具exe，lib和dll

• tesseract305.lib，位置D:codetesttesseract-3.05.01build_x64Release
• tesseract305.dll，位置 D:codetesttesseract-3.05.01build_x64binRelease
  
• tesseract.exe，位置D:codetesttesseract-3.05.01build_x64binRelease

工具使用

在D:codetesttesseract-3.05.01build_x64binRelease目录下，从源码目录将tessdata拷贝进去，并且提前下载好已训练语言包，另外，将用到的tiff和liptonica以及要识别的图片都拷贝进来

bmp格式原生支持，tif格式此时也是支持的，这里以tif图片为例

在这个目录输入命令行

tesseract eurotext.tif euro

识别结果

euro.txt

The (quick) [brown] {fox} jumps!
Over the $43,456.78 <lazy> #90 dog
& duck/goose,as 12.5% of E-mail
from aspammer@website.com is spam.
Der,schnelle” braune Fuchs springt
?ber den faulen Hund. Le renard brun
?rapide? saute par-dessus le chien
paresseux. La volpe marrone rapida
salta sopra il cane pigro. El zorro
marrén répido salta sobre el perro
perezoso. A raposa marrom répida
salta sobre 0 C50 preguicoso.

有些字符不是特别准确，还需要训练

编程使用

通过写代码调用tesseract的C++ api的形式

创建vs2015 C++工程

源码

main.cpp

#include "baseapi.h"
#include "allheaders.h"

int main()
{
	char *outText;

	tesseract::TessBaseAPI *api = new tesseract::TessBaseAPI();
	// Initialize tesseract-ocr with English,without specifying tessdata path
	if (api->Init(NULL,"eng"))
	{
		fprintf(stderr,"Could not initialize tesseract.n");
		exit(1);
	}

	// Open input image with leptonica library
	Pix *image = pixRead("./eurotext.tif");
	api->SetImage(image);
	// Get OCR result
	outText = api->GetUTF8Text();
	printf("---- OCR output:---- n%s",outText);

	// Destroy used object and release memory
	api->End();
	delete[] outText;
	pixDestroy(&image);

	return 0;
}

配置

头文件包含目录

主要是leptonica和tesseract的src目录

附加库目录

需要配置leptonica和tesseract的lib路径

附加依赖项

运行

将项目依赖的tiff，leptonica，tesseract的dll全部拷贝到exe执行目录，并且拷贝tessdata和用到的图片到该目录

运行结果

---- OCR output:----
The (quick) [brown] {fox} jumps!
Over the $43,schnelle鈥?braune Fuchs springt
铿乥er den faulen Hund. Le renard brun
芦rapide禄 saute par-dessus le chien
paresseux. La volpe marrone rapida
salta sopra il cane pigro. El zorro
marr茅n r茅pido salta sobre el perro
perezoso. A raposa marrom r茅pida
salta sobre 0 C50 preguicoso.

可以看出，api识别的结果还是有些不准确的，有待训练优化