Tesseract 3.0 - OCR tool

本文章同步於 http://marsz-chen.blogspot.com/2010/11/tesseract-30-ocr-tool.html

Requirement

sudo apt-get install libpng12-dev
sudo apt-get install libjpeg62-dev
sudo apt-get install libtiff4-dev
sudo apt-get install gcc
sudo apt-get install g++
sudo apt-get install automake

Install leptonica

wget http://www.leptonica.org/source/leptonlib-1.67.tar.gz
sudo tar -zxvf leptonlib-1.67.tar.gz
cd leptonlib-1.67
sudo ./configure
sudo make
sudo make install

Download & Install

Tesseract 3.00 source

http://code.google.com/p/tesseract-ocr/downloads/list

sudo wget http://tesseract-ocr.googlecode.com/files/tesseract-3.00.tar.gz
sudo tar xvf tesseract-3.00.tar.gz
cd tesseract-3.00
sudo ./runautoconf
sudo ./configure
sudo make
sudo make install
cd /usr/local/share/tessdata
sudo wget http://tesseract-ocr.googlecode.com/files/eng.traineddata.gz
sudo gunzip eng.traineddata.gz

Test

必須先安裝 imagemagick 才能使用 convert

sudo apt-get install imagemagick

此範例中, 圖檔都必須透過 convert 轉成黑白的 tif

cd ~
wget -O test.png http://people.chu.edu.tw/~c9003076/test.png
convert test.png -type Grayscale -depth 8 test.tif # 只能支援到 depth 8
tesseract test.tif result
cat result.txt

Tesseract 3.0目前對於圖檔格式仍以 tif 為主舊版 (2.04) 支援度更差, 必須轉換成 8bit 的 tif 檔才能讀取即 convert test.png -type Grayscale test.tif 後必須再

convert test.tif -depth "8" test.tif

除 eng.traineddata.gz3.0 也支援了其他語言的 OCR可在 http://code.google.com/p/tesseract-ocr/downloads/list

取得其他 trained data執行中只要加入參數 -l [lang code] 即可如

tesseract test.tif result -l chi_tra

即代表讀取中文 trained data 進行 OCR
如何使用 tesseract 內建的工具產生自己的 training data

下回分解 :p