一、Tesseract OCR 简介

Tesseract 是一款由 Google 维护的开源 OCR（光学字符识别）引擎，支持 100 多种语言的文本识别，可处理扫描文档、截图、照片等图像中的文字内容。其核心优势在于开源免费、跨平台兼容（Windows/Linux/macOS）以及可扩展的识别能力。

1.1 核心特性

• 多语言支持：内置英文、中文、日文等语言包，支持训练自定义模型
• 格式兼容性：支持 TIFF、JPEG、PNG 等常见图像格式
• 输出格式：可生成 TXT、HOCR、PDF 等多种输出
• API 集成：提供 Python、C++、Java 等语言绑定

二、安装与配置

2.1 系统要求

• 操作系统：Windows 10+/macOS 10.13+/Linux（Ubuntu 18.04+）
• 内存：建议 4GB 以上
• 磁盘空间：基础安装约 200MB，完整语言包需额外空间

2.2 安装步骤（以 Ubuntu 为例）

# 安装基础包
sudo apt update
sudo apt install tesseract-ocr
# 安装中文语言包
sudo apt install tesseract-ocr-chi-sim
# 验证安装
tesseract --version

Windows 用户可通过 UB Mannheim 编译版 直接下载安装包。

2.3 环境验证

执行以下命令检查安装：

tesseract --list-langs

应显示已安装的语言列表（含 eng 英文和 chi_sim 简体中文）。

三、基础识别操作

3.1 命令行使用

基本语法：

tesseract input_image.png output_text -l eng

参数说明：

• input_image.png：输入图像路径
• output_text：输出文本前缀（自动生成 .txt 文件）
• -l eng：指定语言（中文用 -l chi_sim）

3.2 Python 集成

安装 Python 包装库：

pip install pytesseract

示例代码：

import pytesseract
from PIL import Image
# 设置 Tesseract 路径（Windows 需要）
# pytesseract.pytesseract.tesseract_cmd = r'C:\Program Files\Tesseract-OCR\tesseract.exe'
# 执行识别
image = Image.open('example.png')
text = pytesseract.image_to_string(image, lang='chi_sim')
print(text)

四、图像预处理优化

4.1 常见问题与解决方案

问题类型	典型表现	解决方案
分辨率低	文字模糊	图像放大（建议 300dpi 以上）
背景复杂	文字与背景对比度低	二值化处理
倾斜文本	文字方向不正	旋转校正
多列布局	文字排列混乱	区域分割处理

4.2 预处理代码示例

import cv2
import numpy as np
def preprocess_image(img_path):
    # 读取图像
    img = cv2.imread(img_path)
    # 转为灰度图
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    # 二值化处理
    thresh = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)[1]
    # 降噪
    kernel = np.ones((1,1), np.uint8)
    processed = cv2.morphologyEx(thresh, cv2.MORPH_CLOSE, kernel)
    return processed
# 使用预处理后的图像
processed_img = preprocess_image('input.png')
text = pytesseract.image_to_string(processed_img, lang='chi_sim')

五、高级功能应用

5.1 多语言混合识别

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

5.2 布局分析

# 获取页面布局信息
data = pytesseract.image_to_data(image, output_type=pytesseract.Output.DICT)
for i in range(len(data['text'])):
    if int(data['conf'][i]) > 60:  # 置信度阈值
        print(f"位置: ({data['left'][i]},{data['top'][i]}), 文本: {data['text'][i]}")

5.3 PDF 输出

tesseract input.png output pdf -l chi_sim

生成可搜索的 PDF 文件。

六、性能优化技巧

6.1 参数调优

关键参数说明：

• --psm N：页面分割模式（0-13，默认 3 自动分割）
• --oem N：OCR 引擎模式（0 传统，1 LSTM，2 两者结合，3 默认）

示例：

tesseract image.png output -l chi_sim --psm 6 --oem 1

6.2 自定义训练

1. 准备训练数据：

   • 收集至少 100 张含目标文字的图像
   • 使用 jTessBoxEditor 工具标注文字框

2. 生成训练文件：

   tesseract eng.training_text.exp0.tif eng.training_text.exp0 nobatch box.train

3. 创建字符集文件：

   unicharset_extractor eng.training_text.exp0.box > eng.unicharset

4. 训练模型：

   mftraining -F font_properties -U unicharset -O eng.unicharset eng.training_text.exp0.tr
   cntraining eng.training_text.exp0.tr
   combine_tessdata eng.

七、常见问题解决方案

7.1 识别率低

• 检查图像质量（建议 300dpi 以上）
• 尝试不同的 --psm 参数
• 使用更精确的语言包（如 chi_sim 替代 chi_tra）

7.2 内存不足

• 限制处理区域：

  # 只处理图像的一部分
  box = (100, 100, 400, 400)  # (x,y,w,h)
  region = image.crop(box)
  text = pytesseract.image_to_string(region)

7.3 特殊字体处理

对于艺术字体或手写体：

1. 收集足够样本进行训练
2. 尝试 --oem 0 传统模式
3. 调整二值化阈值

八、最佳实践建议

1. 预处理优先：始终先进行图像增强
2. 分步测试：先确认单字识别，再处理整页
3. 语言选择：混合文本使用 + 连接语言
4. 版本更新：定期检查 官方更新
5. 性能监控：对大批量处理记录处理时间和准确率

通过系统化的预处理、参数调优和持续优化，Tesseract OCR 可达到 95% 以上的准确率（在优质图像上）。建议开发者建立测试集定期评估识别效果，形成持续改进的闭环。