使用 Tesseract 进行 OCR 识别的详细指南

1. Tesseract OCR 简介

Tesseract 是一个由 Google 维护的开源 OCR（Optical Character Recognition，光学字符识别）引擎，支持超过 100 种语言的文本识别。其核心优势在于开源免费、跨平台兼容（Windows/Linux/macOS）及高度可定制性。自 1985 年由 HP 实验室开发，2005 年开源后由 Google 接管维护，现已成为全球最流行的 OCR 工具之一。

1.1 核心功能

• 多语言支持：通过训练数据包支持中文、英文、日文等语言。
• 输出格式灵活：支持纯文本、HOCR（带位置信息的XML）、PDF 等格式。
• 可扩展性：支持自定义训练模型，适应特定字体或场景。

2. 安装与配置

2.1 系统要求

• 操作系统：Windows 10+/macOS 10.13+/Linux（Ubuntu 18.04+ 推荐）
• 依赖项：
  • Windows：需安装 Visual C++ Redistributable
  • Linux：需安装 libleptonica-dev（图像处理库）

2.2 安装步骤

Windows 安装

1. 下载预编译包：从 UB Mannheim 获取含中文数据包的安装包。
2. 安装时勾选 Additional language data 并选择中文（chi_sim）。
3. 配置环境变量：将安装路径（如 C:\Program Files\Tesseract-OCR）添加至 PATH。

Linux 安装（Ubuntu）

sudo apt update
sudo apt install tesseract-ocr tesseract-ocr-chi-sim  # 安装中文包

macOS 安装

brew install tesseract  # 基础版
brew install tesseract-lang  # 所有语言包

2.3 验证安装

tesseract --version  # 应显示版本号（如 5.3.0）
tesseract --list-langs  # 查看已安装语言包

3. 基础 OCR 识别

3.1 命令行使用

tesseract input.png output -l chi_sim  # 识别中文并保存至output.txt

• input.png：输入图像路径。
• output：输出文件名（无需后缀）。
• -l chi_sim：指定中文简体语言包。

3.2 Python 集成（推荐）

通过 pytesseract 库调用 Tesseract：

import pytesseract
from PIL import Image
# 设置 Tesseract 路径（Windows 需指定）
pytesseract.pytesseract.tesseract_cmd = r'C:\Program Files\Tesseract-OCR\tesseract.exe'
# 读取图像并识别
image = Image.open('example.png')
text = pytesseract.image_to_string(image, lang='chi_sim')
print(text)

4. 图像预处理优化

OCR 识别效果高度依赖图像质量，建议进行以下预处理：

4.1 常见预处理步骤

1. 灰度化：减少颜色干扰。

   gray_image = image.convert('L')  # 'L' 表示灰度模式

2. 二值化：增强文字与背景对比度。

   from PIL import ImageOps
   binary_image = gray_image.point(lambda x: 0 if x < 140 else 255)  # 阈值140

3. 降噪：使用高斯模糊或中值滤波。

   from PIL import ImageFilter
   denoised_image = gray_image.filter(ImageFilter.MedianFilter(size=3))

4. 倾斜校正：通过霍夫变换检测倾斜角度并旋转。

   import cv2
   import numpy as np
   gray = cv2.cvtColor(np.array(image), cv2.COLOR_RGB2GRAY)
   edges = cv2.Canny(gray, 50, 150)
   lines = cv2.HoughLinesP(edges, 1, np.pi/180, 100)
   # 计算平均倾斜角度并旋转（代码略）

4.2 预处理完整示例

def preprocess_image(image_path):
    image = Image.open(image_path)
    # 灰度化 + 二值化
    gray = image.convert('L')
    binary = gray.point(lambda x: 0 if x < 140 else 255)
    # 降噪
    denoised = binary.filter(ImageFilter.MedianFilter(3))
    return denoised
processed_image = preprocess_image('noisy.png')
text = pytesseract.image_to_string(processed_image, lang='chi_sim')

5. 多语言与高级功能

5.1 多语言混合识别

# 同时识别中文和英文
text = pytesseract.image_to_string(image, lang='chi_sim+eng')

5.2 输出格式控制

• HOCR 格式（带位置信息）：

  hocr_data = pytesseract.image_to_pdf_or_hocr(image, extension='hocr', lang='chi_sim')
  with open('output.hocr', 'wb') as f:
      f.write(hocr_data)

• PDF 输出：

  pdf_data = pytesseract.image_to_pdf_or_hocr(image, extension='pdf', lang='chi_sim')
  with open('output.pdf', 'wb') as f:
      f.write(pdf_data)

5.3 配置参数详解

通过 --psm 和 --oem 参数优化识别：

• --psm N：页面分割模式（0-13），常用值：
  • 3：全图自动分割（默认）
  • 6：假设为统一文本块
  • 11：稀疏文本（如表格）
• --oem N：OCR 引擎模式：
  • 0：传统引擎
  • 1：LSTM + 传统引擎（默认）
  • 2：仅 LSTM（推荐）
  • 3：仅传统引擎

示例：

tesseract input.png output --psm 6 --oem 2 -l chi_sim

6. 自定义训练（进阶）

当默认模型无法满足需求时，可通过以下步骤训练自定义模型：

6.1 准备训练数据

1. 收集至少 100 张包含目标字体的图像。
2. 使用 jtessboxeditor 工具标注字符位置和内容。

6.2 生成训练文件

# 生成 box 文件
tesseract eng.train.exp0.tif eng.train.exp0 nobatch box.train
# 生成字符集文件
unicharset_extractor eng.train.exp0.box
# 生成字体属性文件
echo "fontname 0 0 0 0 0" > font_properties

6.3 训练模型

# 聚类特征
mftraining -F font_properties -U unicharset -O eng.unicharset eng.train.exp0.tr
# 生成字典
cntraining eng.train.exp0.tr
# 合并文件
combine_tessdata eng.

6.4 使用自定义模型

text = pytesseract.image_to_string(image, config='--tessdata-dir ./tessdata -l eng_custom')

7. 性能优化技巧

1. 图像分辨率：建议 300 DPI 以上，文字高度至少 20 像素。
2. 区域识别：通过 pytesseract.image_to_data() 获取字符位置，仅处理有效区域。
3. 并行处理：多线程处理批量图像。
4. 错误修正：结合正则表达式或词典修正常见错误（如 “OCR” 误识为 “0CR”）。

8. 常见问题解决

9. 总结与建议

• 入门用户：优先使用 Python 集成 + 基础预处理。
• 企业用户：结合自定义训练模型和并行处理优化性能。
• 研究场景：探索 HOCR 输出和区域识别功能。

Tesseract 的灵活性使其既能满足快速原型开发，也能支持高精度定制需求。建议从官方 GitHub 仓库获取最新版本，并定期关注更新日志以利用新功能。