使用Tesseract进行图片文字识别

Tesseract介绍

Tesseract 是一个开源的光学字符识别（OCR）引擎，最初由 HP 在 1985 年至 1995 年间开发，后来被 Google 收购并开源。Tesseract 支持多种语言的文本识别，能够识别图片中的文字，并将其转换为可编辑和可搜索的数据格式。它适用于多种应用场景，包括文档扫描、图像处理、数字存档等。

Tesseract 的最新版本显著提高了识别准确率，支持的文件格式包括 TIFF、JPEG、PNG 等常见图片格式。此外，Tesseract 还提供了一个命令行工具，允许用户通过简单的命令行输入来执行 OCR 任务。对于开发者而言，Tesseract 提供了多种编程语言的 API 接口，如 C++、Python、Java 等，使得集成 OCR 功能到各种应用程序中变得更为容易。

除了基本的 OCR 功能外，Tesseract 还支持语言模型和训练工具，允许用户根据特定需求训练自定义模型，以提高某些特定类型或格式文本的识别准确率。这些特性使得 Tesseract 成为了一个强大而灵活的 OCR 工具，广泛应用于个人和企业的文本数字化处理中。

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

官方文档地址：https://tesseract-ocr.github.io

下载安装Tesseract

下载Tesseract

Home · UB-Mannheim/tesseract Wiki

安装的时候，记得选上中文语言包：

输入

tesseract -v

查看Tesseract是否安装成功

设置环境变量：

输入Tesseract的安装地址：

注意安装路径最好不要包含中文，由于C盘空间还比较充足，我就装在默认位置了。

再次验证安装是否完成：

tesseract -v

安装成功完成。

Tesseract的基本命令行使用

基本文本识别

最简单的命令是将图片中的文本识别并输出到标准输出（屏幕）：

tesseract D:\test2.png stdout

默认识别的是英文的，先拿一个英文的图片试试：

图片文字识别的效果

效果还是很ok的。

再试试一个中文的图片：

默认是无法识别中文的，这时候需要指定语言才行。

指定一种语言识别

如果图片中的文字不是英文，你需要指定相应的语言。Tesseract 支持多种语言，可以通过以下命令查看支持的语言：

tesseract --list-langs

会出现你已经下载了语言包的语言。

指定语言的命令如下（例如，识别中文）：

tesseract D:\test.png stdout -l chi_sim

这里的 -l chi_sim 表示使用简体中文语言模型。

效果也很不错。

指定多种语言识别

有时候我们需要同时识别多种语言，以下面这张图片为例：

在命令行中添加-l LANG[+LANG]可以使用多种语言进行识别：

tesseract D:\test3.png stdout  -l eng+chi_sim

效果也还行。但是会发现识别的中文很多地方都有空格。

将中文改为主要识别语言：

tesseract D:\test3.png stdout  -l chi_sim+eng

可以发现识别的空格少了很多。

保存识别文本到文件

也可以把识别的内容保存在一个txt文件中，命令如下所示：

tesseract D:\test2.png D:\output.txt

使用quiet模式抑制消息

不使用quiet模式与使用quiet模式的对比：

少了表示 Tesseract 正在尝试估算输入图像的分辨率的信息Estimating resolution as 182。

可搜索的pdf输出

这将创建一个包含图像和单独可搜索文本层的PDF，其中包含识别出的文本：

tesseract D:\test2.png D:\output -l eng pdf

实现效果：

HOCR输出

在命令末尾添加hocr以使用‘hocr’配置文件，获取HOCR输出：

tesseract D:\test2.png - -l eng hocr

识别效果：

这样不够直观，保存在一个html文件中，然后再打开看看：

tesseract D:\test2.png D:\test2.html -l eng hocr

把生成的文件后缀改为.html，用浏览器打开，效果如下所示：

TSV输出

在命令末尾添加“tsv”配置文件以获取TSV输出：

tesseract D:\test5.jpg - -l chi_sim tsv

以这张图片为例：

实现效果如下所示：

使用不同的页面分割模式

-psm 3 - 全自动页面分割，但无方向和脚本检测。（默认）

以这张图片为例：

tesseract D:\test4.png - --psm 3

实现的效果：

-psm 6 - 假定文本为一个整体均匀的块。

以这张图片为例：

tesseract D:\test5.png - --psm 6

实现效果如下所示：

使用 -c preserve_interword_spaces=1 来保留空格

tesseract D:\test5.png - --psm 6 -c preserve_interword_spaces=1

实现效果如下所示：

使用pdftotext保持文本输出的布局

tesseract D:\test5.png D:\test5 -l eng –psm 11 pdf

实现的效果：

总结

现在图片文字识别已经有多种方式可以实现，也可以通过云服务商的文字识别服务，缺点就是需要网络，数量多了需要收费，优点就是识别准确率比较高。使用Tesseract与PaddleOCR这种方式的好处就是离线可用，速度也挺快的。还有一种目前还没试过的方式，就是使用多模态的大语言模型，缺点可能就是如果使用大模型服务提供商会比较耗费token，自己本地用ollama又比较吃配置相对于Tesseract与PaddleOCR而言，还有就是多模态大语言模型可能自己会出现一些别的内容。

之前写过几篇关于PaddleOCR的文章，感兴趣也可以阅读：

1、如何自己动手实现一个图片解答小助手

2、C#使用PaddleOCR进行图片文字识别