Tesseract OCR——Windows 10 + CMake-GUI + Visual Studio 2019下编译和使用解决方案

分手后的思念是犯贱 2022-11-19 11:10 503阅读 0赞

# 基本概念 #

> **Tesseract OCR：**Tesseract-OCR 引擎最先由HP实验室于1985年开始研发，至1995年时已经成为OCR业内最准确的三款识别引擎之一。然而，HP不久便决定放弃OCR业务，Tesseract也从此尘封。数年以后，HP 意识到，与其将Tesseract束之高阁，不如贡献给开源软件业，让其重焕新生。在2005年，Tesseract 由美国内华达州信息技术研究所获得，并求诸于 Google 对 Tesseract 进行改进、消除Bug、优化工作，Tesseract 由惠普公司宣布开源。从2006年到现在，都由 Google 公司开发维护。

# 编译环境 #

> Windows 10
> 
> CMake-GUI 
> 
> Visual Studio 2019
> 
> Anaconda3（可无）

# 解决方案 #

## 注意事项 ##

> 关闭杀毒软件。

## 源码下载 ##

tesseract的编译有诸多依赖，tesseract依赖于[leptonica][]，而leptonica又依赖于png，tiff，jpeg等基础库，所以需要下载这些依赖的源码，并且依次编译

考虑到某些图片格式的基础库源码较老并且久未更新难于编译，本文只编译了较新的libtiff，并作为示例，其他图片格式未测试

下载地址：

>  *  libtiff 4.09，[http://download.osgeo.org/libtiff/tiff-4.0.9.zip][http_download.osgeo.org_libtiff_tiff-4.0.9.zip]
>  *  leptonica 1.76.0，[http://www.leptonica.com/source/leptonica-1.76.0.tar.gz][http_www.leptonica.com_source_leptonica-1.76.0.tar.gz]
>  *  tesseract 3.05.01，[https://github.com/tesseract-ocr/tesseract/archive/3.05.01.zip][https_github.com_tesseract-ocr_tesseract_archive_3.05.01.zip]

下载完后解压缩到文件夹，这里将三个项目源码都放在**D:\\Code\\Project**目录

## 编译过程 ##

特别指定，本文中所有项目生成都是使用cmake-gui工具（首先要会用这个工具），C++编译使用vs2019，所有cmake编译目录都定为build\_x64

所有的**编译模式**都是：**vs2015 win64 release**

由于tiff --> leptonica --> tesseract 三者之间层层递进，环环相扣，所以编译一定要注意顺序和设置

### **step1：编译tiff** ###

常规cmake流程编译出 tiff.lib和tiff.dll，位置在 **D:\\Code\\Project\\tiff-4.0.9\\build\\libtiff\\Release**

> 如果有安装Anaconda3可以跳过这步。

### **step2：编译leptonica** ###

cmake配置，勾选Grouped和Advanced，会显示png和tiff等图片库的设置入口，要先**将tiff的目录配置进去**，使得支持tiff格式

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzI3Mjc4MQ_size_16_color_FFFFFF_t_70][]

>  如果没有安装Anaconda3情况下
> 
> ![20180602224835649][]

Visual Studio 2019打开项目

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzI3Mjc4MQ_size_16_color_FFFFFF_t_70 1][]

编译

![20210117221254150.png][]

> 使用libtiff需要修改 libtiff目录下的两个头文件，**将tiffconf.vc.h和tif\_config.vc.h改名为tiffconf.h和tif\_config.h**
> 
> ![20180602224906416][]

得到两个文件

>  *  leptonica-1.76.0.lib，位置** D:\\Code\\Project\\leptonica-1.76.0\\build\\src\\Release**
> 
> ![20210117221805633.png][]
> 
>  *  leptonica-1.76.0.dll，位置 **D:\\Code\\Project\\leptonica-1.76.0\\build\\bin\\Release**
> 
> ![20210117221828932.png][]

> 如果要支持png，需要下载编译libpng和zlib源码，并且在cmake-gui里面先设置zlib，再设置libpng

### **step3：编译tesseract** ###

> 根目录的cmake配置文件在
> 
>     if(NOT EXISTS ${PROJECT_SOURCE_DIR}/.cppan)
> 
> 这句话之前加上
> 
>     set(Leptonica_DIR D:/Code/Project/leptonica-1.76.0/build) 
>     
>     include_directories(
>         D:/Code/Project/leptonica-1.76.0/src
>         D:/Code/Project/leptonica-1.76.0/build4/src
>     )
> 
> 目的是为了让tesseract在cmake的config阶段找到leptonica的头文件和库，当然，也可以在cmake-gui里面直接设置Leptonica\_DIR

> 在configure的过程会出现如下日志，显示正在下载ICU的依赖，等到其下载完成即可，注意打开科学上网，否则会因为网络问题不成功
> 
> ![20180602225641369][]
> 
> 如果一直网络超时，可以在 [https://github.com/unicode-org/icu/releases][https_github.com_unicode-org_icu_releases] 手动下载icu的开发包 [icu4c-67\_1-Win64-MSVC2017.zip][icu4c-67_1-Win64-MSVC2017.zip]，然后重命名为icu64.zip拷贝到编译的对应目录
> 
> 然后修改源码目录的  tesseract-3.05.01\\src\\training\\CMakeLists.txt,注释以下行
> 
>     #    file(DOWNLOAD
>     #        "http://download.icu-project.org/files/icu4c/56.1/icu4c-56_1-Win${ARCH_DIR_NAME}-msvc10.zip"
>     #        "${icu_archive}"
>     #        SHOW_PROGRESS
>     #        INACTIVITY_TIMEOUT 60 # seconds
>     #        EXPECTED_HASH MD5=${icu_hash}
>     #    )
>      
>     #    set(ICU_ROOT ${icu_dir}/icu)
> 
> ![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzI3Mjc4MQ_size_16_color_FFFFFF_t_70 2][]
> 
>  
> 
> 再重新configure完成

> Visual Studio2019打开项目，进行编译，一般情况下会出现一个字符编码的报错（最新版4.1.1已不报）
> 
> ![20180602230258239][]
> 
> 此时不用惊慌，只需要将tesseract中equationdetect.cpp文件修改一下，再编译就好了
> 
>     static const STRING kCharsToEx[] = {"'", "`", "\"", "\\", ",", ".",  
>         "〈", "〉", "《", "》", "」", "「", ""};
> 
> 改为
> 
>     static const STRING kCharsToEx[] = { "'", "`", "\"", "\\", ",", ".",  
>         "<", ">", "<<", ">>", "" };
> 
> ![20210117222519117.png][]

> 如果报错PACKAGE\_VERSION找不到，可以手动在根目录的CMakeLists.txt中添加宏
> 
>     add_definitions(
>         -DPACKAGE_VERSION="3.05.01"
>     )

编译

![20210117221254150.png][]

顺利编译出tesseract项目的各种二进制工具exe，lib和dll

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzI3Mjc4MQ_size_16_color_FFFFFF_t_70 3][]

>  *  tesseract305.lib，位置 D:/Code/Project/tesseract-3.05.01\\build\\Release
>  *  tesseract305.dll，位置 D:/Code/Project/tesseract-3.05.01\\build\\bin\\Release
>  *  tesseract.exe，位置 D:/Code/Project/tesseract-3.05.01\\build\\bin\\Release

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzI3Mjc4MQ_size_16_color_FFFFFF_t_70 4][]

# 简单使用 #

## 拷贝文件 ##

在\\tesseract-3.05.01\\build\\bin\\Release目录下，从源码目录将tessdata拷贝进去，并且提前下载好已训练语言包（[https://github.com/tesseract-ocr/tessdata][https_github.com_tesseract-ocr_tessdata]）

另外，将用到的tiff和liptonica以及要识别的图片都拷贝进来

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzI3Mjc4MQ_size_16_color_FFFFFF_t_70 5][]

## 文本识别  ##

bmp格式原生支持

![20180602231441791][]

打开CMD

cd D:/Code/Project/tesseract-3.05.01/build/bin/Release
    tesseract 20180602231441791.bmp euro

## 识别结果 ##

euro.txt

The (quick) [brown] {fox} jumps!
    Over the $43,456.78 <lazy> #90 dog
    & duck/goose, as 12.5% of E-mail
    from aspammer@website.com is spam.
    Der ,,schnelle” braune Fuchs springt
    ﬁber den faulen Hund. Le renard brun
    «rapide» saute par-dessus le chien
    paresseux. La volpe marrone rapida
    salta sopra il cane pigro. El zorro
    marrén répido salta sobre el perro
    perezoso. A raposa marrom répida
    salta sobre 0 C50 preguicoso.

官方的模型有些字符不是特别准确，需要训练

# 参考文章 #

[windows编译和使用tesseract（C++ api）][windows_tesseract_C_ api]

[cmake-gui使用教程][cmake-gui]

[VS2017/VS2015编译tesseract][VS2017_VS2015_tesseract]

[leptonica]: http://www.leptonica.com/
[http_download.osgeo.org_libtiff_tiff-4.0.9.zip]: http://download.osgeo.org/libtiff/tiff-4.0.9.zip
[http_www.leptonica.com_source_leptonica-1.76.0.tar.gz]: http://www.leptonica.com/source/leptonica-1.76.0.tar.gz
[https_github.com_tesseract-ocr_tesseract_archive_3.05.01.zip]: https://github.com/tesseract-ocr/tesseract/archive/3.05.01.zip
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzI3Mjc4MQ_size_16_color_FFFFFF_t_70]: /images/20221119/e37684c4bf61431d9ae5e9dc468cfd80.png
[20180602224835649]: https://img-blog.csdn.net/20180602224835649
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzI3Mjc4MQ_size_16_color_FFFFFF_t_70 1]: https://img-blog.csdnimg.cn/20210117221239598.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzI3Mjc4MQ==,size_16,color_FFFFFF,t_70
[20210117221254150.png]: https://img-blog.csdnimg.cn/20210117221254150.png
[20180602224906416]: https://img-blog.csdn.net/20180602224906416
[20210117221805633.png]: https://img-blog.csdnimg.cn/20210117221805633.png
[20210117221828932.png]: https://img-blog.csdnimg.cn/20210117221828932.png
[20180602225641369]: https://img-blog.csdn.net/20180602225641369
[https_github.com_unicode-org_icu_releases]: https://github.com/unicode-org/icu/releases
[icu4c-67_1-Win64-MSVC2017.zip]: https://github.com/unicode-org/icu/releases/download/release-67-1/icu4c-67_1-Win64-MSVC2017.zip
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzI3Mjc4MQ_size_16_color_FFFFFF_t_70 2]: https://img-blog.csdnimg.cn/20210117223027506.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzI3Mjc4MQ==,size_16,color_FFFFFF,t_70
[20180602230258239]: https://img-blog.csdn.net/20180602230258239
[20210117222519117.png]: https://img-blog.csdnimg.cn/20210117222519117.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzI3Mjc4MQ_size_16_color_FFFFFF_t_70 3]: https://img-blog.csdnimg.cn/2021011722265057.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzI3Mjc4MQ==,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzI3Mjc4MQ_size_16_color_FFFFFF_t_70 4]: https://img-blog.csdnimg.cn/20210117223313644.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzI3Mjc4MQ==,size_16,color_FFFFFF,t_70
[https_github.com_tesseract-ocr_tessdata]: https://github.com/tesseract-ocr/tessdata
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzI3Mjc4MQ_size_16_color_FFFFFF_t_70 5]: https://img-blog.csdnimg.cn/20210117223715888.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzI3Mjc4MQ==,size_16,color_FFFFFF,t_70
[20180602231441791]: https://img-blog.csdn.net/20180602231441791
[windows_tesseract_C_ api]: https://blog.csdn.net/u012234115/article/details/80552179
[cmake-gui]: https://blog.csdn.net/qq_35488967/article/details/56480053
[VS2017_VS2015_tesseract]: https://blog.csdn.net/kds0714/article/details/90755691