基本概念

Tesseract OCR：Tesseract-OCR 引擎最先由HP實驗室于1985年開始研發，至1995年時已經成為OCR業內最準確的三款識別引擎之一。然而，HP不久便決定放棄OCR業務，Tesseract也從此塵封。數年以后，HP 意識到，與其將Tesseract束之高閣，不如貢獻給開源軟件業，讓其重煥新生。在2005年，Tesseract 由美國內華達州信息技術研究所獲得，并求諸于 Google 對 Tesseract 進行改進、消除Bug、優化工作，Tesseract 由惠普公司宣布開源。從2006年到現在，都由 Google 公司開發維護。

編譯環境

Windows 10

CMake-GUI?

Visual Studio 2019

Anaconda3（可無）

解決方案

注意事項

關閉殺毒軟件。

源碼下載

tesseract的編譯有諸多依賴，tesseract依賴于leptonica，而leptonica又依賴于png，tiff，jpeg等基礎庫，所以需要下載這些依賴的源碼，并且依次編譯

考慮到某些圖片格式的基礎庫源碼較老并且久未更新難于編譯，本文只編譯了較新的libtiff，并作為示例，其他圖片格式未測試

下載地址：

• 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

下載完后解壓縮到文件夾，這里將三個項目源碼都放在D:\Code\Project目錄

編譯過程

特別指定，本文中所有項目生成都是使用cmake-gui工具（首先要會用這個工具），C++編譯使用vs2019，所有cmake編譯目錄都定為build_x64

所有的編譯模式都是：vs2015 win64 release

由于tiff --> leptonica --> tesseract 三者之間層層遞進，環環相扣，所以編譯一定要注意順序和設置

step1：編譯tiff

常規cmake流程編譯出 tiff.lib和tiff.dll，位置在 D:\Code\Project\tiff-4.0.9\build\libtiff\Release

如果有安裝Anaconda3可以跳過這步。

step2：編譯leptonica

cmake配置，勾選Grouped和Advanced，會顯示png和tiff等圖片庫的設置入口，要先將tiff的目錄配置進去，使得支持tiff格式

?如果沒有安裝Anaconda3情況下

Visual Studio 2019打開項目

編譯?

使用libtiff需要修改 libtiff目錄下的兩個頭文件，將tiffconf.vc.h和tif_config.vc.h改名為tiffconf.h和tif_config.h

得到兩個文件

• leptonica-1.76.0.lib，位置?D:\Code\Project\leptonica-1.76.0\build\src\Release

• leptonica-1.76.0.dll，位置?D:\Code\Project\leptonica-1.76.0\build\bin\Release

如果要支持png，需要下載編譯libpng和zlib源碼，并且在cmake-gui里面先設置zlib，再設置libpng

step3：編譯tesseract

根目錄的cmake配置文件在

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

這句話之前加上

set(Leptonica_DIR D:/Code/Project/leptonica-1.76.0/build) include_directories(D:/Code/Project/leptonica-1.76.0/srcD:/Code/Project/leptonica-1.76.0/build4/src )

目的是為了讓tesseract在cmake的config階段找到leptonica的頭文件和庫，當然，也可以在cmake-gui里面直接設置Leptonica_DIR

在configure的過程會出現如下日志，顯示正在下載ICU的依賴，等到其下載完成即可，注意打開科學上網，否則會因為網絡問題不成功

如果一直網絡超時，可以在?https://github.com/unicode-org/icu/releases?手動下載icu的開發包?icu4c-67_1-Win64-MSVC2017.zip，然后重命名為icu64.zip拷貝到編譯的對應目錄

然后修改源碼目錄的??tesseract-3.05.01\src\training\CMakeLists.txt,注釋以下行

# file(DOWNLOAD # "http://download.icu-project.org/files/icu4c/56.1/icu4c-56_1-Win${ARCH_DIR_NAME}-msvc10.zip" # "${icu_archive}" # SHOW_PROGRESS # INACTIVITY_TIMEOUT 60 # seconds # EXPECTED_HASH MD5=${icu_hash} # )# set(ICU_ROOT ${icu_dir}/icu)

?

再重新configure完成

Visual Studio2019打開項目，進行編譯，一般情況下會出現一個字符編碼的報錯（最新版4.1.1已不報）

此時不用驚慌，只需要將tesseract中equationdetect.cpp文件修改一下，再編譯就好了

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

改為

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

如果報錯PACKAGE_VERSION找不到，可以手動在根目錄的CMakeLists.txt中添加宏

add_definitions(-DPACKAGE_VERSION="3.05.01" )

編譯

順利編譯出tesseract項目的各種二進制工具exe，lib和dll

• tesseract305.lib，位置?D:/Code/Project/tesseract-3.05.01\build\Release
• tesseract305.dll，位置 D:/Code/Project/tesseract-3.05.01\build\bin\Release
• tesseract.exe，位置?D:/Code/Project/tesseract-3.05.01\build\bin\Release

簡單使用

拷貝文件

在\tesseract-3.05.01\build\bin\Release目錄下，從源碼目錄將tessdata拷貝進去，并且提前下載好已訓練語言包（https://github.com/tesseract-ocr/tessdata）

另外，將用到的tiff和liptonica以及要識別的圖片都拷貝進來

文本識別?

bmp格式原生支持

打開CMD

cd D:/Code/Project/tesseract-3.05.01/build/bin/Release tesseract 20180602231441791.bmp euro

識別結果

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.

官方的模型有些字符不是特別準確，需要訓練

參考文章

windows編譯和使用tesseract（C++ api）

cmake-gui使用教程

VS2017/VS2015編譯tesseract

總結

以上是生活随笔為你收集整理的Tesseract OCR——Windows 10 + CMake-GUI + Visual Studio 2019下编译和使用解决方案的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。