1 安装

tesseract-ocr支持多平台，针对windows，可在官方指定的地址中下载tesseract-ocr安装包下载，安装时可不关心额外的语言包，直接连续下一步安装结束，软件默认支持英文识别，其它语言可在这个网址下载对应的语言包，但这些网址通常速度不佳。

• 本文采用的是4.0版本，并添加公式识别，以及简繁中文语言包，tesseact-ocr(提取码：899120)。~~ tessdata-master.zip是其所有的语言包~~
• 安装完成后，将语言包移到到对应安装目录的tessdata文件夹中
• 此外，在环境变量path 中添加安装目录，并创建一个新的系统变量TESSDATA_PREFIX ，值为安装目录下的tessdata对应的目录。
• 此时安装便结束了。查看版本与加载的语言包，打开cmd:

xxxxxxxxxx
C:\Users> tesseract -v
tesseract 4.00.00alpha
 leptonica-1.74.1
  libgif 4.1.6(?) : libjpeg 8d (libjpeg-turbo 1.5.0) : libpng 1.6.20 : libtiff 4.0.6 : zlib 1.2.8 : libwebp 0.4.3 : libopenjp2 2.1.0
C:\Users> tesseract --list-langs
List of available languages (5):
chi_sim
chi_tra
eng
equ
osd

2 图片识别

• 打开 cmd，输入 tesseract 目标图片 存储结果的文件名 -l 语言包名

  • 若是识别英文，免去 -l 语言包名

有时会出现 Warning:Invalid resolution 0 dpi. Using 70 instead，并无大碍，只是目标图片本身没给出明确的分辨率。

为方便使用，我们结合python使用该工具，首先安装对应模块：

xxxxxxxxxx
python3 -m pip install pytesseract

我们对上述的python图片做识别，运行代码：

xxxxxxxxxx

import pytesseract

py=Image.open(r'./python.png')                  #这里是对应图片的目录，./为当前文件夹
print(pytesseract.image_to_string(py,lang='eng')) #lang指定对应的语言包
                                                   #« python"

结果基本是可以的。但也很明显会对额外的内容做错误的识别，这一点在图片较杂乱时尤为明显。

因此，在很多情况下需要对图片做处理，通过二值化等方式突出主要内容，而这一工作主要交给了Pillow模块处理，在python2中这一工作主要由PIL处理，但在python3中则由其分支Pillow代替，安装：

xxxxxxxxxx
python3 -m pip install pillow

网上对于Pillow的操作有不少介绍，也可以通过官方的文档了解pillow各种方法和类的细节。

这里，简单地给出二值化的代码：

xxxxxxxxxx
from PIL import Image              #由于是继承PIL，因此pillow仍用PIL表示
im=Image.open(r'./python.png')
grey=im.convert('L')
grey.save(r'./grey.png')            #保存图片

xxxxxxxxxx
th=Image.open(r'./grey.png')
n=170                           #设定的一个阈值，需要在0~256间
table=[0]*n+[1]*(256-n)
out=th.point(table,'1')       #二值化，阈值之下黑，之上白
out.show()                     #显示结果图像

• 由于计算机中，颜色采用RGB模式，即通过红绿蓝三原色的混合得出颜色，每个三原色对应的值范围即0~256
• 当R=G=B=n，即三原色比例
• 相同，即得到黑白，n越小，颜色越黑，n=256即得到白色，因此阈值的范围有这样的限制
• 这里方法给出的模式’1’，即二值化，通过指定阈值，将图片中黑白色极端化，