Tesseract是什么

Tesseract是一個光學字符識別引擎。支持多種操作系統，基于Apache許可證的自由軟件，由Google贊助開發。 Tesseract被認為是最精準的開源光學字符識別引擎之一。

Tesseract 是一個光學字符識別引擎，支持多種操作系統。Tesseract 是基于 Apache 許可證的自由軟件，自 2006 年起由 Google 贊助開發。 2006 年，Tesseract 被認為是最精準的開源光學字符識別引擎之一。

Tesseract 最初是在 1985 年至 1994 年之間在布里斯托的惠普實驗室和位于格里利科羅拉多州的惠普公司開發的，1996 年進行了一些更改以移植到 Windows，并在 1998 年進行了一些 C ++化。2005 年 Tesseract 開放由 HP 采購。自 2006 年以來，它是由 Google 開發的。

Tesseract OCR 該軟件包包含一個 OCR 引擎 - libtesseract 和一個命令行程序 - tesseract。 Tesseract 4 增加了一個基于 OCR 引擎的新神經網絡（LSTM），該引擎專注于線路識別，但仍然支持 Tesseract 3 的傳統 Tesseract OCR 引擎，該引擎通過識別字符模式來工作。通過使用 Legacy OCR Engine 模式（--oem 0）啟用與 Tesseract 3 的兼容性。它還需要訓練有素的數據文件，這些文件支持傳統引擎，例***自 tessdata 存儲庫的文件。

Tesseract 支持 unicode（UTF-8），可以“開箱即用” 識別 100 多種語言。

Tesseract 支持各種輸出格式：純文本，hOCR（HTML），PDF，不可見文本的 PDF，TSV。主分支還具有 ALTO（XML）輸出的實驗支持。

Tesseract OCR 引擎于 20 世紀 80 年代出現，更新迭代至今，它已經包括內置的深度學習模型，變成了十分穩健的 OCR 工具。而 Tesseract 和 OpenCV 的 EAST 檢測器是一個很棒的組合，感興趣的讀者可參考機器之心報道。

Tesseract 支持 Unicode（UTF-8）字符集，可以識別超過 100 種語言，還包含多種輸出支持，比如純文本、PDF、TSV 等。但是為了得到更好的 OCR 結果，還必須提升提供給 Tesseract 的圖像的質量。

值得注意的是，在執行實際的 OCR 之前，Tesseract 會在內部執行多種不同的圖像處理操作（使用 Leptonica 庫）。通常情況下表現不錯，但在一些特定的情況下的效果卻不夠好，導致準確度顯著下降。