一、安装前环境准备

1.1 系统基础要求确认

Tesseract-OCR 4.1 对系统环境有明确要求：CentOS 7 需保持最新小版本更新（建议 cat /etc/redhat-release 确认版本），内存建议不低于 2GB，磁盘空间需预留 5GB 以上（含语言包存储）。可通过 free -h 和 df -h 命令检查资源状态。

1.2 基础开发工具安装

编译安装依赖 GCC、CMake、Make 等工具链，执行以下命令：

sudo yum install -y epel-release
sudo yum groupinstall -y "Development Tools"
sudo yum install -y cmake autoconf automake libtool pkgconfig

通过 gcc --version 和 cmake --version 验证安装，建议 GCC 版本不低于 4.8.5。

1.3 依赖库配置

Tesseract 依赖 Leptonica 图像处理库和若干基础库：

sudo yum install -y \
    libjpeg-devel \
    libpng-devel \
    libtiff-devel \
    zlib-devel \
    openjpeg2-devel \
    giflib-devel \
    webp-devel

安装后通过 ldconfig -p | grep libjpeg 确认库文件路径是否被系统识别。

二、Leptonica 安装

2.1 源码下载与编译

从官方仓库获取最新稳定版（当前推荐 1.82.0）：

wget https://github.com/DanBloomberg/leptonica/archive/refs/tags/1.82.0.tar.gz
tar xzf 1.82.0.tar.gz
cd leptonica-1.82.0
mkdir build && cd build
cmake .. -DCMAKE_INSTALL_PREFIX=/usr/local
make -j$(nproc)
sudo make install

编译参数说明：-DCMAKE_INSTALL_PREFIX 指定安装路径，-j$(nproc) 启用多核并行编译加速。

2.2 库文件配置

执行 sudo ldconfig 更新动态库链接，通过 ls /usr/local/lib | grep lept 确认 liblept.so.5 文件存在。若缺失，检查 make install 日志是否有权限错误。

三、Tesseract-OCR 4.1 安装

3.1 源码获取与编译

从 GitHub 获取 4.1.1 版本源码：

wget https://github.com/tesseract-ocr/tesseract/archive/refs/tags/4.1.1.tar.gz
tar xzf 4.1.1.tar.gz
cd tesseract-4.1.1
mkdir build && cd build
cmake .. -DCMAKE_INSTALL_PREFIX=/usr/local \
         -DLeptonica_DIR=/usr/local/lib/cmake/leptonica
make -j$(nproc)
sudo make install

关键参数说明：-DLeptonica_DIR 需指向 Leptonica 的 CMake 配置目录，可通过 find /usr/local -name "leptonicaConfig.cmake" 定位。

3.2 环境变量配置

将 Tesseract 可执行文件路径加入 PATH：

echo 'export PATH=/usr/local/bin:$PATH' >> ~/.bashrc
source ~/.bashrc

验证安装：tesseract --version 应输出 tesseract 4.1.1 及 Leptonica 版本信息。

四、语言数据包管理

4.1 基础语言包安装

通过 yum 安装英文基础包：

sudo yum install -y tesseract-langpack-eng

手动安装其他语言包（如中文）：

wget https://github.com/tesseract-ocr/tessdata/raw/4.1.0/chi_sim.traineddata
sudo mkdir -p /usr/local/share/tessdata
sudo mv chi_sim.traineddata /usr/local/share/tessdata/

数据包需放置在 tessdata 目录，可通过 tesseract --list-langs 验证已安装语言。

4.2 高级配置

创建 ~/.tessdata 目录并设置环境变量：

mkdir -p ~/.tessdata
echo 'export TESSDATA_PREFIX=~/.tessdata' >> ~/.bashrc
source ~/.bashrc

此配置允许用户级数据包管理，避免系统级修改。

五、基础使用示例

5.1 命令行识别

识别英文文本：

tesseract input.png output -l eng

参数说明：input.png 为输入图像，output 为输出文本前缀，-l eng 指定英文识别。

5.2 编程接口调用（Python）

安装 PyTesseract 库：

pip install pytesseract

Python 代码示例：

import pytesseract
from PIL import Image
# 设置 Tesseract 路径（若未加入 PATH）
# pytesseract.pytesseract.tesseract_cmd = r'/usr/local/bin/tesseract'
text = pytesseract.image_to_string(Image.open('input.png'), lang='chi_sim')
print(text)

六、常见问题解决

6.1 编译错误处理

• 错误：leptonica not found
  检查 -DLeptonica_DIR 路径是否正确，确认 find_package(Leptonica REQUIRED) 在 CMakeLists.txt 中未被注释。

• 错误：libtiff.so.4: cannot open shared object file
  执行 sudo yum install -y libtiff 安装兼容版本，或通过 ldconfig 更新库缓存。

6.2 识别精度优化

• 图像预处理：使用 OpenCV 进行二值化、降噪：

  import cv2
  img = cv2.imread('input.png')
  gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
  thresh = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)[1]
  thresh.save('preprocessed.png')

• 语言模型选择：混合语言识别需指定多个语言包：

  tesseract input.png output -l eng+chi_sim

七、性能调优建议

7.1 多线程配置

在 ~/.bashrc 中添加：

export OMP_THREAD_LIMIT=$(nproc)

此设置可优化 Tesseract 的多线程处理能力。

7.2 缓存机制

启用 Tesseract 的缓存功能（需 4.1.0+ 版本）：

mkdir -p ~/.tesseract_cache
echo 'export TESSDATA_CACHE=~/.tesseract_cache' >> ~/.bashrc
source ~/.bashrc

缓存可加速重复识别任务。

通过以上步骤，开发者可在 CentOS 7 上构建稳定的 Tesseract-OCR 4.1 环境，满足从简单文档识别到复杂多语言处理的多样化需求。建议定期检查 GitHub 仓库更新语言模型，以持续提升识别精度。