Tesseract OCR圖像識別類庫

Tesseract OCR 該軟件包包含一個OCR引擎 -  libtesseract和一個命令行程序 -  tesseract。 Tesseract 4增加了一個基于OCR引擎的新神經(jīng)網(wǎng)絡（LSTM），該引擎專注于線路識別，但仍然支持Tesseract 3的傳統(tǒng)Tesseract OCR引擎，該引擎通過識別字符模式來工作。通過使用Legacy OCR Engine模式（--oem 0）啟用與Tesseract 3的兼容性。它還需要訓練有素的數(shù)據(jù)文件，這些文件支持傳統(tǒng)引擎，例如來自tessdata存儲庫的文件。

Tesseract 架構：

首席開發(fā)人員是Ray Smith。維護者是Zdenko Podobny。有關貢獻者的列表，請參閱AUTHORS和GitHub的貢獻者日志。

Tesseract 支持 unicode（UTF-8），可以“開箱即用” 識別100多種語言。

Tesseract支持各種輸出格式：純文本，hOCR（HTML），PDF，不可見文本的PDF，TSV。主分支還具有ALTO（XML）輸出的實驗支持。

您應該注意，在許多情況下，為了獲得更好的OCR結果，需要提高您給Tesseract的圖像質(zhì)量。

該項目不包括GUI應用程序。如果您需要，請參閱3rdParty維基頁面。

可以訓練Tesseract識別其他語言。有關詳細信息，請參閱Tesseract培訓。

支持的編譯器：

• GCC 4.8 and above
• Clang 3.4 and above
• MSVC 2015, 2017, 2019