我的tesseract学习记录
前言：花了约三周看文档（打酱油），又花了两周搭环境，终于把tesseract用起来了，对简体中文的识别率还不错，在95%以上。现在简要记录一下安装、识别过程。
一、系统环境
系统：windows7
编译环境：VS2010
依赖软件：leptonica、opencv2.4.10、tesseract3.02
linux下的tesseract在这里
二、安装过程
(1) leptonica
1、leptonica是tesseract的依赖库，安装过程主要参考官网教程；
vs2010的编译过程参考这里；
建议直接使用leptonica提供的vs2008的工程，转换成vs2010以后，需要修改的地方如下：
Fix the liblept168 project by doing the following:
-
Right-click on liblept168 and choose Properties.
-
Then change liblept168 Property Pages | General | Target Name to one of the following values:
For the LIB Debug Configuration:
$(ProjectName)-static-mtdll-debug
For the LIB Release Configuration:
$(ProjectName)-static-mtdll
For the DLL Debug Configuration:
$(ProjectName)d
-
编译即可得到:
LIB_RELEASE和LIB_DEBUG：
liblept168-static-mtdll.lib 和 liblept168-static-mtdll-debug.lib
DLL_RELEASE和DLL_DEBUG：
liblept168.lib、liblept168.dll和 liblept168d.lib、liblept168d.dll
在调用生成的动态库liblept168d.dll，报错，找不到从属程序集 Microsoft.VC90.DebugCRT
解决方法,参考这里
2、如果想自己编译所有依赖库，超级麻烦，可以参考下面的步骤：
一共需要安装5个依赖包，分别是：zlib、libpng、libjpeg、libtiff、giflib
上述5个依赖库安装过程可参考这里；
整个leptonica安装过程也可参考这里；
注意：以下五个库的生成，应确保运行库都选择/MD或/MDd
不使用全程序优化/GL编译
1.zlib
zlib的编译过程参考这里；
首先cd to the BuildFolder\zlib\contrib\masmx86 directory. Then execute:bld_ml32.bat
然后打开\BuildFolder\zlib\contrib\vstudio\vc10\zlibvc.sln
修改运行时库为/MD或/MDd
移除 ZLIB_WINAPI from Configuration Properties | C/C++ | Preprocessor | Preprocessor Definitions.
If you don’t do this you’ll get undefined symbol error messages when trying to build libpng and libtiff.
最后，Copy zlib\zlib.h and zconf.h to BuildFolder\include.
2.libpng
libpng的编译过程参考这里；
(1)Open BuildFolder\lpng143\projects\visualc71\libpng
(2)change the LIB Debug Configuration Properties | C/C++ | General | Debug Information Format
from Program Database for Edit & Continue (/ZI) to C7 Compatible (/Z7).
(3)change run time library from /MT to /MD or from /MTd to /MDd
(4)Build the libpng by right-clicking it and choosing Build
3.libjpeg
libjpeg的编译过程参考这里；
如果编译的过程中，nmake有问题，参考这里；
打开D:\libjpeg\jpeg-9a\install.txt 里面有vs2010编译的说明。
编译jpeg时，官网上的只有release版本的lib，需要debug版本的lib的话，编译选项需要自己配置
配置方法，就是拷贝release版本预处理器定义，并进行修改，将NDEBUG改为_DEBUG
将运行库改为：/MDd
基本运行时检查改为：两者
将全程序优化（GL）选项关闭。
4.libtiff
libtiff源码的下载地址；
编译过程参考这里
libtiff depends on libjpeg and zlib.
由于libtiff依赖了libjpeg和zlib，因此需要修改nmake.opt和tiffconf.vc.h文件。
nmake.opt修改如下：
# Uncomment and edit following lines to enable JPEG support.
#
JPEG_SUPPORT = 1
JPEGDIR = D:/zhuyan/leptlib/libtiff/jpeg
JPEG_INCLUDE = -I$(JPEGDIR)
JPEG_LIB = $(JPEGDIR)/libjpeg9a-static-mtdll.lib
# Uncomment and edit following lines to enable ZIP support
# (required for Deflate compression and Pixar log-format)
#
ZIP_SUPPORT = 1
ZLIBDIR = D:/zhuyan/leptlib/libtiff/zlib
ZLIB_INCLUDE = -I$(ZLIBDIR)
ZLIB_LIB = $(ZLIBDIR)/zlib125-static-mtdll.lib
tiffconf.vc.h（使用IDE，则直接在tiffconf.h中修改）修改如下：
增加两条语句：
#define JPEG_SUPPORT 1
#define ZIP_SUPPORT 1
使用nmake编译
输入nmake /f makefile.vc clean
输入nmake /f makefile.vc
使用IDE编译：
从nmake编译换成IDE编译，需要获取编译时宏定义参考这里；
即在命令行中输入nmake /f makefile.vc clean all > vc.txt
用于查看编译用到了哪些文件，定义了哪些宏。
需要的源文件，tiff_* 共38个，port中3个源文件，snprintf.c，strcasecmp.c，getopt.c
5.giflib
giflib的官网地址；
download giflib for windows : here
按以下要求修改预处理器定义
WIN32
WINDOWS32
NDEBUG
_LIB
_OPEN_BINARY
HAVE_IO_H
HAVE_FCNTL_H
HAVE_STDARG_H
HAVE_BASETSD_H
HAVE_STDINT_H
HAVE_SYS_TYPES_H
_MBCS
3、 依赖库编译好了以后，直接使用leptonica的vs2008工程，将其转换为vs2010工程，
由于使用的依赖库版本与工程中的设定不同，因此需要修改属性管理器中定义的用户宏。
leptonica的vs2008工程中使用的宏：
修改为自己使用的版本。
修改方法参考这里；
(2) tesseract3.02
1.找到编译tesseract3.02的说明，由于这里没有vpn，可以直接参考下载的源码里自带的说明：
D:\tesseract-3.02.02\vs2008\doc\setup.html
也可以辅助参考一下官网说明；
不想看英文的可以参考这里；
官网中说，可以直接下载leptonica的leptonica-1.68-win32-lib-include-dirs.zip，包含了leptonica的所有头文件和静态库，这个是vs2008编译的。
如果在vs2010工程中不能使用，只需使用vs2010重新编译leptonica的静态库和动态库。
2.下载leptonica头文件和库文件；
下载tesseract源码
3.对D:\tesseract-3.02.02\vs2008\中的vs2008工程进行转换为vs2010，提出以下警告
| MSB8012: $(TargetName) ('libtesseract302') does not match the Librarian's OutputFile property value '..\LIB_Debug\libtesseract302-static-debug.lib' ('libtesseract302-static-debug') in project configuration 'LIB_Debug|Win32'. This may cause your project to build incorrectly. To correct this, please make sure that $(TargetName) property value matches the value specified in %(Lib.OutputFile). |
| MSB8012: $(TargetPath) ('D:\zhuyan\leptlib\tesseract-build\tesseract-3.02.02\vs2010\libtesseract\..\LIB_Debug\libtesseract302.lib') does not match the Librarian's OutputFile property value '..\LIB_Debug\libtesseract302-static-debug.lib' ('D:\zhuyan\leptlib\tesseract-build\tesseract-3.02.02\LIB_Debug\libtesseract302-static-debug.lib') in project configuration 'LIB_Debug|Win32'. This may cause your project to build incorrectly. To correct this, please make sure that $(TargetPath) property value matches the value specified in %(Lib.OutputFile). |
| MSB8012: $(TargetName) ('libtesseract302') does not match the Librarian's OutputFile property value '..\LIB_Release\libtesseract302-static.lib' ('libtesseract302-static') in project configuration 'LIB_Release|Win32'. This may cause your project to build incorrectly. To correct this, please make sure that $(TargetName) property value matches the value specified in %(Lib.OutputFile). |
| MSB8012: $(TargetPath) ('D:\zhuyan\leptlib\tesseract-build\tesseract-3.02.02\vs2010\libtesseract\..\LIB_Release\libtesseract302.lib') does not match the Librarian's OutputFile property value '..\LIB_Release\libtesseract302-static.lib' ('D:\zhuyan\leptlib\tesseract-build\tesseract-3.02.02\LIB_Release\libtesseract302-static.lib') in project configuration 'LIB_Release|Win32'. This may cause your project to build incorrectly. To correct this, please make sure that $(TargetPath) property value matches the value specified in %(Lib.OutputFile). |
| MSB8012: $(TargetPath) ('D:\zhuyan\leptlib\tesseract-build\tesseract-3.02.02\vs2010\libtesseract\..\DLL_Release\libtesseract302.dll') does not match the Linker's OutputFile property value '..\DLL_Release\libtesseract302.dll' ('D:\zhuyan\leptlib\tesseract-build\tesseract-3.02.02\DLL_Release\libtesseract302.dll') in project configuration 'DLL_Release|Win32'. This may cause your project to build incorrectly. To correct this, please make sure that $(TargetPath) property value matches the value specified in %(Link.OutputFile). |
| MSB8012: $(TargetName) ('libtesseract302') does not match the Linker's OutputFile property value '..\DLL_Debug\libtesseract302d.dll' ('libtesseract302d') in project configuration 'DLL_Debug|Win32'. This may cause your project to build incorrectly. To correct this, please make sure that $(TargetName) property value matches the value specified in %(Link.OutputFile). |
| MSB8012: $(TargetPath) ('D:\zhuyan\leptlib\tesseract-build\tesseract-3.02.02\vs2010\libtesseract\..\DLL_Debug\libtesseract302.dll') does not match the Linker's OutputFile property value '..\DLL_Debug\libtesseract302d.dll' ('D:\zhuyan\leptlib\tesseract-build\tesseract-3.02.02\DLL_Debug\libtesseract302d.dll') in project configuration 'DLL_Debug|Win32'. This may cause your project to build incorrectly. To correct this, please make sure that $(TargetPath) property value matches the value specified in %(Link.OutputFile). |
修改方法参考这里；
错误描述为：
warning MSB8012: TargetPath(D:\zhuyan\leptlib\tesseract-build\tesseract-3.02.02\vs2010\libtesseract\..\LIB_Debug\libtesseract302-static-mtdll-debug.lib)
与 Library 的 OutputFile 属性值(D:\zhuyan\leptlib\tesseract-build\tesseract-3.02.02\vs2010\LIB_Debug\libtesseract302-static-debug.lib)不匹配。
即：
LIB_RELEASE:
将属性->配置属性->常规中目标文件名改为$(ProjectName)-static
LIB_Debug：
将属性->配置属性->常规中目标文件名改为$(ProjectName)-static-debug
DLL_Debug：
将属性->配置属性->常规中目标文件名改为$(ProjectName)d
编译时，弹出如下错误：
..\..\ccmain\equationdetect.cpp : warning C4819: 该文件包含不能在当前代码页(936)中表示的字符。请将该文件保存为 Unicode 格式以防止数据丢失
这是因为该cpp文件的编码格式有问题，只需要在双击该文件，在右侧导航栏上点击该文件，在文件->高级保存选项中，在窗口中选择“简体中文（gb2312）-代码页936”，保存后重新编译。
4.编译过程主要参考有：
http://www.jianshu.com/p/5446776095b8
http://blog.csdn.net/u012566751/article/details/54141109
http://blog.csdn.net/rrrfff/article/details/8552946
linux : http://blog.csdn.net/zhangping1987/article/details/51151050
采用LIB_RELEASE和LIB_DEBUG模式，分别生成的文件是：libtesseract302-static.lib 和 libtesseract302-static-debug.lib
采用DLL_RELEASE和DLL_DEBUG模式，分别生成的文件是：libtesseract302.dll、libtesseract302.lib 和 libtesseract302d.dll、libtesseract302d.lib
5.api的使用，主要参考有：
http://blog.csdn.net/u012566751/article/details/54136836
http://www.tuicool.com/articles/aMZfMv
https://wenku.baidu.com/view/46858352b7360b4c2e3f64b8.html
主要参考：http://www.jianshu.com/p/a53c732d8da3
工程配置如下:
1、将tesseract中所有的.h文件搜索出来，放到文件夹include/tesseract，将静态库放到文件夹lib
2、将leptonica中的所有.h文件，放到一个文件夹include/leptonica，将静态库放到文件夹lib
3、属性->C/C++->附加包含目录，包含上述头文件的文件夹
4、链接器->常规->附加库目录，包含上述静态库文件夹
5、链接器->输入->附加依赖项，输入leptonica和tesseract的静态库
6、如果使用的是动态库，则将动态库文件放到一个文件夹bin中，并修改计算机的环境变量，同时包含动态库的导入库lib
7、注意，新建文件夹tessdata，存放训练过的语言文件，放的位置在xx/Tesseract-OCR/tessdata/
8、需要将xx/Tesseract-OCR/添加到新建环境变量TESSDATA_PREFIX中,再将xx/Tesseract-OCR/添加到Path环境变量中。
动态库的使用，网上例子很多（参考上面三个链接）。
现在说下静态库的使用，必须包含所有上述的静态库，否则报错。
参考D:\tesseract-3.02.02\vs2008\doc\programming.html
LIB_Release Linker Additional Dependencies:
ws2_32.lib
user32.lib
zlib$(ZLIB_VERSION)-static-mtdll.lib
libpng$(LIBPNG_VERSION)-static-mtdll.lib
libjpeg$(LIBJPEG_VERSION)-static-mtdll.lib
giflib$(GIFLIB_VERSION)-static-mtdll.lib
libtiff$(LIBTIFF_VERSION)-static-mtdll.lib
liblept$(LIBLEPT_VERSION)-static-mtdll.lib
libtesseract$(LIBTESS_VERSION)-static.lib
6.opencv的使用
opencv的静态库在工程中的debug和release模式中需要分别添加
release:
opencv_calib3d2410.lib
opencv_contrib2410.lib
opencv_core2410.lib
opencv_features2d2410.lib
opencv_flann2410.lib
opencv_gpu2410.lib
opencv_highgui2410.lib
opencv_imgproc2410.lib
opencv_legacy2410.lib
opencv_ml2410.lib
opencv_nonfree2410.lib
opencv_objdetect2410.lib
opencv_ocl2410.lib
opencv_photo2410.lib
opencv_stitching2410.lib
opencv_superres2410.lib
opencv_ts2410.lib
opencv_video2410.lib
opencv_videostab2410.lib
debug模式就是在这些库的末尾加上d，比如opencv_videostab2410d.lib
三、识别过程
（1）图像预处理
图像预处理主要参考官网提出的对图像的处理，由于我主要用来识别扫描的文件，所以只做了简单的去噪，使用的是腐蚀和膨胀。由于只会opencv，所以用的opencv做图像预处理。
如果扫描件的图片周围有黑框，可以参考Border removal中的算法去除。
下面是做的一些图像处理时，参考的链接。
1、 Border removal :
a) http://answers.opencv.org/question/30082/detect-and-remove-borders-from-framed-photographs/
2、 Binarization:
a) threshold in opencv with parameter of OTSU
b) other approach, ref: http://liris.cnrs.fr/christian.wolf/papers/icpr2002v.pdf
3、 remove noise introduced by digitization:
a) median filter for salt/pepper noise
b) morphological operations : http://stackoverflow.com/questions/8654858/noise-removal-in-opencv
c) mean filter for Gaussian noise
4、 chunk segmentation ：no images, horizontal or vertical separators
5、 detect skew angle of text
a) http://felix.abecassis.me/2011/10/opencv-rotation-deskewing/
（2）页面布局分析
1、字体大小和分辨率
在测试时发现，将一个文档的图片直接扔到tesseract中，识别效果不太理想，但是，将图片中字体和大小不同的文字截图成多个图片块，再扔给tesseract，识别率惊人的高。
仔细看了一下官方网站，对待识别的图片中文字的要求是：
Is there a Minimum Text Size? (It won't read screen text!)
There is a minimum text size for reasonable accuracy. You have to consider resolution as well as point size. Accuracy drops off below 10pt x 300dpi,
rapidly below 8pt x 300dpi. A quick check is to count the pixels of the x-height of your characters. (X-height is the height of the lower case x.)
At 10pt x 300dpi x-heights are typically about 20 pixels,although this can vary dramatically from font to font. Below an x-height of 10 pixels,
you have very little chance of accurate results, and below about 8 pixels, most of the text will be"noise removed".
总的来说：最小5号字，扫描仪dpi不小于300，单个字符的高度不小于20个像素。
由于使用的扫描仪，最后得到的是一个pdf格式的文档，得转成图片，转图片时，选择300dpi，使用的小工具转换的。
2、页面分块
既然将图片分块，可以提高识别率，那么就来分块吧。可是不知道用什么分块算法，不过幸好tesseract自带有页面布局分析模块，很强大，很好用（崇拜一下）。
过程如下：
1.初始化tesseract和设置参数
api.Init()
api.SetPageSegMode() //这里要使用 tesseract::PSM_AUTO 自动页面布局分析模式
api.SetImage((uchar*)src.data, src.cols, src.rows, src.channels(), src.cols * src.channels()); //我用的opencv的数据结构输入的
2.获取图片分块
Boxa *boxes = api.GetRegions(NULL);//获取粗分块
BOX* box = boxaGetBox(boxes, i, L_CLONE);//获取分块方框的坐标，一共有boxes->n个方框
3.获取文字行分块
Boxa *lineboxes = api.GetTextlines(NULL,NULL);//获取每个粗分块中的文字行分块，这里会自动舍弃含有图片的分块。
将分块后的图片，截取出来，直接扔到OCR里，结果啥也没识别出来，问题在哪里？？
原来是截取得文字行的高和宽将图片占满了，OCR没法识别，怎么办？我想的方法是在周围加空白。
试了一些参数，在文字行四周增加空白的高宽比例为文字行高度的0.6倍，即垂直和水平方向上增加的空白的高度相加，为文字行高度的1.2倍。
再扔到OCR里，效果还是不好啊（哭），觉得是不是文字的比例还是不合适，那么就进行缩放吧，将图片缩小了一倍，即缩放系数0.5，然后，surprise，识别率大增，非常满意。
当然这里的两个参数，可以根据实际情况，来调整。
int boxEdge = (int)r.height*1.2;//增加的空白比例
Mat dst(box_img.rows+boxEdge,box_img.cols+boxEdge,box_img.type(), Scalar(255,255,255));//空白图片
addWeighted(dst(Rect(boxEdge/2,boxEdge/2,r.width,r.height)),0,box_img,1,0.0,dst(Rect(boxEdge/2,boxEdge/2,r.width,r.height)));//文字与空白图片融合
Mat resize_dst;
double scale = 0.5;//缩放系数
cv::resize(dst, resize_dst, cv::Size(dst.cols * scale, dst.rows * scale), (0,0), (0,0), cv::INTER_LINEAR);//缩放图片
如果对tesseract页面布局分析的过程感兴趣的可参考：http://blog.csdn.net/kaelsass/article/details/46874627
3、去除盖章
由于我主要用来识别一些红头文件，所以，里面有些地方有盖的红章，tesseract在页面布局分析时，直接将含有叠加图片的整！行！文字都舍弃了（或者识别出来是乱码）。
于是，我得想办法把红章去掉，然后识别红章下的文字。去掉的方法呢，首先想到的是颜色，检测红色，再去掉。然后发现红头文件啊，红色字也好多啊。
灵机一动，可以将上一步页面布局分析中，将红章和文字划分为一块的那个分块图像单独拿出来，怎么找到呢，默认都是圆章，那么使用霍夫变换吧，检测圆。
1.检测圆
cvtColor(box_img, gray_img, CV_BGR2GRAY);
cv::GaussianBlur(gray_img,gray_img,cv::Size(7,7),1.5);
std::vector<cv::Vec3f> circles;
cv::HoughCircles(gray_img, circles, CV_HOUGH_GRADIENT,
2, // 累加器的分辨率(图像尺寸/2)
box_img.rows/2, // 两个圆之间的最小距离
200, // Canny中的高阈值
300, // 最小投票数
50, box_img.rows/2); // 有效半径的最小和最大值
2.去除红色的像素点
MatIterator_<Vec3b> it_in=box_img.begin<Vec3b>();
if((*it_in)[2]>80)
{
(*it_in)[0]=255;//b
(*it_in)[1]=255;//g
(*it_in)[2]=255;//r
}
成功地去掉了红章以后，对文字造成了一些破坏，使用了膨胀+腐蚀来增强图像，最后识别率很高。
前期的图像预处理很重要，最好丢进去的文字，没有噪声，没有倾斜，清晰，无底纹或者图片。
（2）识别过程
网上的例子很多，识别的过程，几乎做不了太多事情，除非去源码里进行改进，由于时间有限，加上tesseract的识别率还不错，所以，只需要对参数进行设置就可以了。
这些参数，是用于识别日文时设置的，但官网上说，对中文也适用，主要是以下参数进行了设置：
//SetVariable
bool out;
out = api.SetVariable("chop_enable","T");
out = api.SetVariable("use_new_state_cost","F");
out = api.SetVariable("segment_segcost_rating","F");
out = api.SetVariable("enable_new_segsearch","0");
out = api.SetVariable("language_model_ngram_on","0");
out = api.SetVariable("textord_force_make_prop_words","F");
out = api.SetVariable("edges_max_children_per_outline","40");
设置这些参数后，确实对识别率有了一些提升。
这些参数的说明，参考官网说明。
