Tesseract OCR图像识别类库

Tesseract OCR 该软件包包含一个OCR引擎 -  libtesseract和一个命令行程序 -  tesseract。 Tesseract 4增加了一个基于OCR引擎的新神经网络（LSTM），该引擎专注于线路识别，但仍然支持Tesseract 3的传统Tesseract OCR引擎，该引擎通过识别字符模式来工作。通过使用Legacy OCR Engine模式（--oem 0）启用与Tesseract 3的兼容性。它还需要训练有素的数据文件，这些文件支持传统引擎，例如来自tessdata存储库的文件。

Tesseract 架构：

首席开发人员是Ray Smith。维护者是Zdenko Podobny。有关贡献者的列表，请参阅AUTHORS和GitHub的贡献者日志。

Tesseract 支持 unicode（UTF-8），可以“开箱即用” 识别100多种语言。

Tesseract支持各种输出格式：纯文本，hOCR（HTML），PDF，不可见文本的PDF，TSV。主分支还具有ALTO（XML）输出的实验支持。

您应该注意，在许多情况下，为了获得更好的OCR结果，需要提高您给Tesseract的图像质量。

该项目不包括GUI应用程序。如果您需要，请参阅3rdParty维基页面。

可以训练Tesseract识别其他语言。有关详细信息，请参阅Tesseract培训。

支持的编译器：

• GCC 4.8 and above
• Clang 3.4 and above
• MSVC 2015, 2017, 2019