tesseract-ocr/tesseract

项目概览

该项目同时维护 LSTM 神经网络引擎和兼容 Tesseract 3 的传统模式识别引擎，适合需要根据不同 OCR 场景灵活切换识别策略的选型评估。

项目类型

文档处理

应用场景

文档办公

部署方式

查看项目说明

License

Apache-2.0

适合谁

• 需要在应用程序中以库的形式集成 OCR 功能的开发者。
• 习惯使用命令行工具处理文本图像识别的用户。

核心能力

• 提供基于神经网络（LSTM）的 OCR 引擎，专注于文本行识别。
• 提供兼容 Tesseract 3 的传统字符模式识别引擎。
• 开箱即可识别 100 多种语言，并支持 Unicode (UTF-8)。
• 支持多种输出格式：纯文本、hOCR (HTML)、PDF、仅含不可见文本的 PDF、TSV、ALTO 和 PAGE。
• 允许用户训练 tesseract-ocr/tesseract 以识别其他语言。
• 提供 libtesseract C 和 C++ API，供开发者构建自己的应用程序。

限制与风险

• 项目不包含图形用户界面（GUI）应用程序。
• 如果输入图像质量不佳且未进行改善，OCR 识别结果可能会很差。

如何开始

• 通过安装预编译二进制包或从源码编译进行安装；下载所需语言的 traineddata 文件后，即可运行命令执行 OCR 任务。

核验依据

• README: This package contains an **OCR engine** - `libtesseract` and a **command line program** - `tesseract`.
• README: Basic **[command line usage](https://tesseract-ocr.github.io/tessdoc/Command-Line-Usage.html)**: tesseract imagename outputbase [-l lang] [--oem ocrenginemode] [--psm pagesegmode]…
• README: Tesseract 4 adds a new neural net (LSTM) based [OCR engine](https://en.wikipedia.org/wiki/Optical_character_recognition) which is focused on line recognition, but also still suppo…
• README: Tesseract has **unicode (UTF-8) support**, and can **recognize [more than 100 languages](https://tesseract-ocr.github.io/tessdoc/Data-Files-in-different-versions.html)** "out of t…
• README: Major version 5 is the current stable version and started with release [5.0.0](https://github.com/tesseract-ocr/tesseract/releases/tag/5.0.0) on November 30, 2021.

内容核验时间：