Windows下Tesseract-OCR的安装与使用

一、Tesseract 介绍

Tesseract 是一款开源的 OCR 引擎，由 Google 维护。它支持多种语言的文字识别，具有较高的识别准确率和良好的扩展性。Tesseract 的核心作用是对经过预处理的图像进行分析，提取其中的文字信息并转换为文本。它可以处理不同字体、大小和格式的文字，并且能够通过训练来提高对特定场景文字的识别能力。

官方网站：https://github.com/Tesseract-ocr/Tesseract

官方文档：https://github.com/Tesseract-ocr/tessdoc

语言包地址：https://github.com/Tesseract-ocr/tessdata

下载地址：https://digi.bib.uni-mannheim.de/Tesseract/


OCR是什么？

文字识别，即 Optical Character Recognition，简称 OCR，是指通过电子设备（如扫描仪、相机等）将图像中的文字转换为可编辑的文本格式的技术。其应用场景极为广泛：如电子文档转换，车牌识别系统的自动识别和管理；金融的票据识别提取支票、发票上的关键信息；翻译类 APP 通过摄像头识别外文并实时翻译，极大地便利了人们的跨语言交流。

然而，OCR 技术的实现并非易事，面临着诸多技术难点。首先是图像质量的影响，如模糊、倾斜、光照不均、存在噪声等，都会导致文字识别准确率下降。其次，文字的字体、大小、颜色各异，以及可能存在的复杂背景，也会给识别带来挑战。此外，对于手写体文字，由于其个性化强、规范性差，识别难度更大，所以一般需要使用 OpenCV 来搭配处理图像。


Tesseract 的特点

Tesseract 最初是由惠普公司开发的 OCR 引擎，后来被 Google 收购并开源。经过多年的发展和优化，Tesseract 已经成为目前最受欢迎的开源 OCR 引擎之一。

Tesseract 具有以下特点：

  • 开源免费：可以自由使用和修改，无需支付任何费用，降低了开发成本。
  • 多语言支持：支持超过 100 种语言的文字识别，包括中文、英文、日文、韩文等，满足不同场景的需求。
  • 高识别准确率：在经过适当的图像预处理和训练后，Tesseract 能够达到较高的识别准确率，尤其是对于印刷体文字。
  • 跨平台性：可以在 Windows、Linux、Mac 等多个操作系统上运行。
  • 可扩展性：支持用户自定义训练数据，以提高对特定字体、特定场景文字的识别能力。

Tesseract 的核心功能与工作原理

Tesseract 的核心功能是对图像中的文字进行识别并转换为文本。其工作原理主要包括以下几个步骤：

  • 图像预处理：Tesseract 首先会对输入的图像进行一些基本的预处理，如二值化、去噪等，但这部分功能相对简单，通常需要结合 OpenCV 进行更复杂的预处理。
  • 文字区域检测：Tesseract 会分析图像，找出其中可能包含文字的区域。
  • 字符分割：将文字区域中的字符逐个分割出来，以便进行单独识别。
  • 特征提取：对每个分割出来的字符提取特征，如形状、轮廓、笔画等。
  • 字符识别：将提取到的字符特征与训练数据中的特征进行比对，从而识别出字符。
  • 文本输出：将识别出的字符组合成文本，并输出给用户。

二、下载Tesseract安装包

当前选择 5.5.0 版本下载，下载地址为：

https://github.com/Tesseract-ocr/Tesseract/releases/tag/5.5.0

选择示意图如下：

app_install_0.png


下载完成后，运行安装程序，需要特别注意的是，安装过程中会涉及到语言数据包的选择，初学者可以选择英语作为基础语言包，后期可按需下载其他语言包进行安装。

三、运行安装包进行安装

（1）选择附加脚本和语言数据。

没特殊需要只下载中文语言包就行：

app_install_1.png


app_install_2.png


（2）忽略安装过程中的报错警告框

安装语言包，即使是默认带的英文语言包，也大概率会因为网络问题安装失败报错，不过先点击确定按钮忽略继续安装，报错的解决方案下面会讲：

app_install_9.png


（3）选择软件安装位置

app_install_3.png


（4）选择是否创建快捷方式

app_install_4.png


到这一步就安装完成了，下面配置环境变量。

四、Tesseract-OCR配置 添加进环境变量

安装完成后，需要配置 2 个路径的环境变量。


（1）安装路径的环境变量

将 Tesseract 的安装路径添加到系统的环境变量中。这样可以在命令提示符（CMD）中直接调用 Tesseract。具体步骤如下：

  • 右键点击 “计算机” 或 “此电脑”，选择 “属性”。
  • 点击 “高级系统设置”，然后在系统属性窗口点击“环境变量”按钮。
  • 在 “系统变量” 区域，找到 “Path” 变量，选择它，然后点击 “编辑”。
  • 点击 “新建”，将 Tesseract 的安装路径，例如 E:\Technology\Tesseract-OCR 添加到列表中。
  • 点击 “确定” 保存环境变量设置。

app_install_5.png


（2）语言包路径的环境变量

也要将语言包路径添加到环境变量中，环境变量名为：TESSDATA_PREFIX：

app_install_7.png


五、检查是否安装配置成功

打开 cmd，输入命令 Tesseract -v，看到输出版本信息即代表安装成功。

app_install_6.png


六、缺乏语言包使用报错和解决方案

识别命令

Tesseract 图片路径 结果文件名 -l 语言
  • 将 cmd 切换到图片所在路径，则可以只输入图片名，否则需要全路径
  • 结果文件名不可以加后缀，必定会自动加 .txt 后缀，如果结果文件名写 a.txt，则最后输出的文件名为 a.txt.txt。
  • -l 是英文字母 L，不是数字 1，language 的意思。
  • 语言英文为 eng，简体中文为 chi_sim

使用报错

google 的图片如下：

google.png


将 google.png 拷贝到安装目录下（E:\Technology\Tesseract-main）， 然后打开 cmd，执行下面的识别命令：

Tesseract google.png google -l eng

报错：

Error opening data file E:\Technology\Tesseract-OCR/tessdata/eng.traineddata
Please make sure the TESSDATA_PREFIX environment variable is set to your "tessdata" directory.
Failed loading language 'eng'
Tesseract couldn't load any languages!
Could not initialize Tesseract.

报错原因：TESSDATA_PREFIX 环境变量已经配置了，但是 tessdata 目录下不存在 eng 英文语言包，因为前面安装的时候由于网络问题下载失败了。所以需要去 GitHub 下载。


解决方案

直接去 https://github.com/Tesseract-ocr/tessdata/blob/main/eng.traineddata 下载英文语言包：eng.traineddata，然后将其拷贝到 E:\Technology\Tesseract-OCR\tessdata 目录下。（其它比如简体中文语言包，也可在这个链接的上一级目录寻找下单独下载）

然后重新打开 cmd，执行命令 Tesseract --list-langs 检测语言包是否成功配置，这里成功配置了，如下图所示：

app_install_10.png


七、使用Tesseract进行OCR识别

然后再执行下面的识别命令：

Tesseract google.png google -l eng

这时不会再报错了，成功产生了一个 google.txt 文件，打开就能看到转化后的文字了，如下图所示：

app_install_8.png


posted @ 2025-08-21 09:31  fengMisaka  阅读(36)  评论(0)    收藏  举报