最近一直跟OCR打交道，學習了下google的OCR引擎TESSERACT，是個很好的識別工具。tesseract-3.0已支援版面分析，功能很強大。安裝tesseract前可選擇性地安裝leptonica和libtiff。不過建議先安裝這兩個庫。不安裝tiff的話只能處理bmp檔案。

     這裡只是說明怎麼識別中文。依次安裝好libtiff,leptonica和tesseract後，下載簡體中文和繁體中文的訓練資料，在tesseract的下載頁可以找到。放到某個目錄的tessdata資料夾下。然後設定環境變數TESSDATA_PREFIX=tessdata的目錄。然後，新建一個ocr.cpp檔案，編寫如下程式碼：

#include <mfcpch.h>

#include <ctype.h>

#include <sys/time.h>

#include "applybox.h"

#include "control.h"

#include "tessvars.h"

#include "tessedit.h"

#include "baseapi.h"

#include "thresholder.h"

#include "pageres.h"

#include "imgs.h"

#include "varabled.h"

#include "tprintf.h"

#include "stderr.h"

#include "notdll.h"

#include "mainblk.h"

#include "output.h"

#include "globals.h"

#include "helpers.h"

#include "blread.h"

#include "tfacep.h"

#include "callnet.h"

#include "allheaders.h"

int main(int argc,char **argv){

if(argc!=3){

printf("usage:%s <bmp file> <txt file>/n",argv[0]);

return -1;

}

char *image_file=argv[1];

char *txt_file=argv[2];

STRING text_out;

struct timeval beg,end;

tesseract::TessBaseAPI  api;

IMAGE image;

api.Init(argv[0], "chi_sim", NULL, 0, false);//初始化api物件

api.SetPageSegMode(tesseract::PSM_AUTO);//設定自動進行版面分析

api.SetAccuracyVSpeed(tesseract::AVS_FASTEST);//要求速度最快

if (image.read_header(image_file) < 0) {//讀取bmp檔案的元資訊

printf("Read of file %s failed./n", image_file);

exit(1);

    }

if (image.read(image.get_ysize ()) < 0){//讀取bmp檔案

printf("Read of image %s error/n", image_file);

exit(1);

}

invert_image(&image);//反轉影象的每個畫素，即使1變0,0變1

int bytes_per_line = check_legal_image_size(image.get_xsize(),

                                                image.get_ysize(),

                                                image.get_bpp());//計算每一行畫素所佔位元組數

    api.SetImage(image.get_buffer(), image.get_xsize(), image.get_ysize(),

                  image.get_bpp() / 8, bytes_per_line);//設定影象

gettimeofday(&beg,NULL);

char* text = api.GetUTF8Text();//識別影象中的文字

gettimeofday(&end,NULL);

printf("%s:reconize sec=%f/n",argv[0],end.tv_sec-beg.tv_sec+(double)(end.tv_usec-beg.tv_usec)/1000000.0);//列印識別的時間

text_out += text;

delete [] text;

FILE* fout = fopen(txt_file, "w");

fwrite(text_out.string(), 1, text_out.length(), fout);//將識別結果寫入輸出檔案

fclose(fout);

}

再編寫一個makefile檔案如下：

all:ocr

CFLAGS=-Wall -g

LDFLAGS= -lz  -lm  -ltesseract_textord /

-ltesseract_wordrec -ltesseract_classify -ltesseract_dict -ltesseract_ccstruct/

-ltesseract_ccstruct -ltesseract_cutil -ltesseract_viewer -ltesseract_ccutil/

-ltesseract_api -ltesseract_image -ltesseract_main -llept

LD_LIBRARY_PATH =

INCLUDES= -I/usr/local/include/tesseract/ -I/usr/local/include/leptonica/

%.o:%.cpp

g++ -c $(CFLAGS) $(INCLUDES)  $(SOURCE) -o [email protected] $<

ocr:ocr.o

g++ -o [email protected] $^ -g $(LD_LIBRARY_PATH) $(LDFLAGS)

clean:

rm ocr.o

    在該目錄下執行make編譯成可執行檔案ocr,執行./ocr 1.bmp 1.txt就可以將影象1.bmp識別結果寫到1.txt了，程式會列印識別的時間。值得注意的是，tesseract中文識別速度很慢，執行幾分鐘很正常。不知有哪位大蝦知道怎麼調優？

   更鬱悶的是tesseract不支援多執行緒，不能在同一程序中執行多個例項。。