Tesseract介紹
Tesseract 是一個開源的光學字元識別（OCR）引擎，最初由 HP 在 1985 年至 1995 年間開發，後來被 Google 收購併開源。Tesseract 支援多種語言的文字識別，能夠識別圖片中的文字，並將其轉換為可編輯和可搜尋的資料格式。它適用於多種應用場景，包括文件掃描、影像處理、數字存檔等。
Tesseract 的最新版本顯著提高了識別準確率，支援的檔案格式包括 TIFF、JPEG、PNG 等常見圖片格式。此外，Tesseract 還提供了一個命令列工具，允許使用者透過簡單的命令列輸入來執行 OCR 任務。對於開發者而言，Tesseract 提供了多種程式語言的 API 介面，如 C++、Python、Java 等，使得整合 OCR 功能到各種應用程式中變得更為容易。
除了基本的 OCR 功能外，Tesseract 還支援語言模型和訓練工具，允許使用者根據特定需求訓練自定義模型，以提高某些特定型別或格式文字的識別準確率。這些特性使得 Tesseract 成為了一個強大而靈活的 OCR 工具，廣泛應用於個人和企業的文字數字化處理中。
GitHub地址：https://github.com/tesseract-ocr/tesseract
官方文件地址：https://tesseract-ocr.github.io
下載安裝Tesseract
下載Tesseract
Home · UB-Mannheim/tesseract Wiki
安裝的時候，記得選上中文語言包：
輸入
tesseract -v
檢視Tesseract是否安裝成功
設定環境變數：
輸入Tesseract的安裝地址：
注意安裝路徑最好不要包含中文，由於C盤空間還比較充足，我就裝在預設位置了。
再次驗證安裝是否完成：
tesseract -v
安裝成功完成。
Tesseract的基本命令列使用
基本文字識別
最簡單的命令是將圖片中的文字識別並輸出到標準輸出（螢幕）：
tesseract D:\test2.png stdout
預設識別的是英文的，先拿一個英文的圖片試試：
圖片文字識別的效果
效果還是很ok的。
再試試一箇中文的圖片：
預設是無法識別中文的，這時候需要指定語言才行。
指定一種語言識別
如果圖片中的文字不是英文，你需要指定相應的語言。Tesseract 支援多種語言，可以透過以下命令檢視支援的語言：
tesseract --list-langs
會出現你已經下載了語言包的語言。
指定語言的命令如下（例如，識別中文）：
tesseract D:\test.png stdout -l chi_sim
這裡的 -l chi_sim 表示使用簡體中文語言模型。
效果也很不錯。
指定多種語言識別
有時候我們需要同時識別多種語言，以下面這張圖片為例：
在命令列中新增-l LANG[+LANG]可以使用多種語言進行識別：
tesseract D:\test3.png stdout -l eng+chi_sim
效果也還行。但是會發現識別的中文很多地方都有空格。
將中文改為主要識別語言：
tesseract D:\test3.png stdout -l chi_sim+eng
可以發現識別的空格少了很多。
儲存識別文字到檔案
也可以把識別的內容儲存在一個txt檔案中，命令如下所示：
tesseract D:\test2.png D:\output.txt
使用quiet模式抑制訊息
不使用quiet模式與使用quiet模式的對比：
少了表示 Tesseract 正在嘗試估算輸入影像的解析度的資訊Estimating resolution as 182。
可搜尋的pdf輸出
這將建立一個包含影像和單獨可搜尋文字層的PDF，其中包含識別出的文字：
tesseract D:\test2.png D:\output -l eng pdf
實現效果：
HOCR輸出
在命令末尾新增hocr以使用‘hocr’配置檔案，獲取HOCR輸出：
tesseract D:\test2.png - -l eng hocr
識別效果：
這樣不夠直觀，儲存在一個html檔案中，然後再開啟看看：
tesseract D:\test2.png D:\test2.html -l eng hocr
把生成的檔案字尾改為.html，用瀏覽器開啟，效果如下所示：
TSV輸出
在命令末尾新增“tsv”配置檔案以獲取TSV輸出：
tesseract D:\test5.jpg - -l chi_sim tsv
以這張圖片為例：
實現效果如下所示：
使用不同的頁面分割模式
-psm 3 - 全自動頁面分割，但無方向和指令碼檢測。（預設）
以這張圖片為例：
tesseract D:\test4.png - --psm 3
實現的效果：
-psm 6 - 假定文字為一個整體均勻的塊。
以這張圖片為例：
tesseract D:\test5.png - --psm 6
實現效果如下所示：
使用 -c preserve_interword_spaces=1 來保留空格
tesseract D:\test5.png - --psm 6 -c preserve_interword_spaces=1
實現效果如下所示：
使用pdftotext保持文字輸出的佈局
tesseract D:\test5.png D:\test5 -l eng –psm 11 pdf
實現的效果：
總結
現在圖片文字識別已經有多種方式可以實現，也可以透過雲服務商的文字識別服務，缺點就是需要網路，數量多了需要收費，優點就是識別準確率比較高。使用Tesseract與PaddleOCR這種方式的好處就是離線可用，速度也挺快的。還有一種目前還沒試過的方式，就是使用多模態的大語言模型，缺點可能就是如果使用大模型服務提供商會比較耗費token，自己本地用ollama又比較吃配置相對於Tesseract與PaddleOCR而言，還有就是多模態大語言模型可能自己會出現一些別的內容。
之前寫過幾篇關於PaddleOCR的文章，感興趣也可以閱讀：
1、如何自己動手實現一個圖片解答小助手
2、C#使用PaddleOCR進行圖片文字識別