Tesseract Introduction
做了一段時(shí)間的OCR呼巷。在PC的Visual Studio上和在TI/ADI的DSP上都做過。一般都是看項(xiàng)目的具體情況捞烟，然后根據(jù)這具體情況薄声，設(shè)計(jì)一套算法萌业。設(shè)計(jì)好了之后，這套算法就只能應(yīng)用在這個(gè)項(xiàng)目上了奸柬。如果再來一個(gè)新的項(xiàng)目，就又得從頭寫起婴程±龋可是，不就是做OCR嗎档叔，不都差不多嘛桌粉！要是所有的OCR項(xiàng)目都能使用同一套代碼，那得有多帥呀衙四！
想一想铃肯，要做這件事，大概有下面這么些挑戰(zhàn)：
- 自動(dòng)搜索文字传蹈。目前我做的文字定位押逼，都是知道文字在圖像的什么地方，然后用經(jīng)驗(yàn)參數(shù)定位的惦界。這樣的話挑格，就必須針對(duì)不同的識(shí)別任務(wù)，制訂不同的識(shí)別參數(shù)沾歪。如果識(shí)別任務(wù)中表明不能確定文字所在的地方漂彤，那我就歇菜了。反之灾搏，如果能自動(dòng)地定位到文字的所在之處挫望，那不就離我的目標(biāo)近了一步嗎？
- 自動(dòng)分割狂窑。目前我做的文字分割媳板，基本都是預(yù)先知道有多少個(gè)字，字和字之前的間隔情況是怎么樣的等等一系列的信息之后泉哈，才可以開始動(dòng)手分割拷肌。可是如果我不知道這些信息呢旨巷？我又抓瞎了巨缘。
- 自動(dòng)識(shí)別。非常不好意思采呐，我現(xiàn)在能做OCR基本只能說在初級(jí)階段若锁。可以做英文和數(shù)字的OCR斧吐，而且還必須預(yù)先知道它們的字體是什么樣的又固。要是任務(wù)中說仲器，字體不定，那對(duì)不起仰冠，又是mission impossible乏冀。
- ……
因此，總得來說洋只，雖然我在OCR方面能做一些應(yīng)用辆沦，但是不能做的應(yīng)用更多。我本來想通過多學(xué)點(diǎn)書本知識(shí)再來實(shí)踐的方式來搞定這些問題识虚。然而肢扯，我為什么不去站在巨人的肩膀上呢？
做算法牛X的互聯(lián)網(wǎng)公司是誰担锤？當(dāng)然首推Google啦~Google維護(hù)著一項(xiàng)很著名的開源項(xiàng)目蔚晨，叫Tesseract。
所以肛循，我們就一起來學(xué)習(xí)一下這個(gè)OCR開源軟件吧铭腕，應(yīng)當(dāng)可以解決我在上面列出的一些問題。
歷史
Tesseract項(xiàng)目最初由惠普實(shí)驗(yàn)室支持多糠，1996年被移植到Windows上谨履，1998年進(jìn)行了C++化。在2005年Tesseract由惠普公司宣布開源熬丧。2006年到現(xiàn)在笋粟，都由Google公司開發(fā)。
目前析蝴，Tesseract的源代碼放在GitHub上害捕。
特性
目前，Tesseract可以識(shí)別超過100種語言闷畸。也可以用來訓(xùn)練其它的語言尝盼。
源碼包提供了一個(gè)OCR的引擎——libtesseract以及一個(gè)命令行程序——tesseract。
Tesseract支持多種輸出格式佑菩，如：普通文本盾沫、html、pdf等殿漠。
對(duì)于開發(fā)者
開發(fā)者可以使用libtesseract的C/C++接口來構(gòu)建自己的程序赴精。
Tesseract從源碼生成的文檔可以在tesseract-ocr.github.io中找到。
下載代碼
接下來绞幌，我們就先把最新代碼下載下來吧蕾哟。下載最新版本3.04.01的源代碼。
由于我是個(gè)OpenCV深度使用者辩恼，而OpenCV的一個(gè)重要插件ImageWatch只支持Visual Studio 2012（至少官方文檔上目前是這么說的璃饱，我也沒有試過更高版本的VS版本奖蔓，但比2012低的版本肯定是不行的呻惕。）所以以下都以Visual Studio 2012為例介紹。
目錄結(jié)構(gòu)是這樣的促绵。而在我目前還搞不清楚狀況的前提下又厉，紅框部分當(dāng)然就引起了我的注意菠镇。
VS2010與VS2012就差一點(diǎn)點(diǎn)昂秃。熟悉的人都知道禀梳，VS2010的項(xiàng)目想轉(zhuǎn)換成VS2012簡(jiǎn)直太簡(jiǎn)單了。完全的自動(dòng)轉(zhuǎn)換械蹋，而且不會(huì)有任何問題。
這不羞芍，雙擊tesseract.sln哗戈，就自動(dòng)幫我轉(zhuǎn)換好了。
現(xiàn)在荷科，解決方案tesseract中出現(xiàn)了兩個(gè)項(xiàng)目唯咬，一個(gè)叫
libtesseract304，一個(gè)叫tesseract畏浆。很顯然胆胰，
libtesseract304是實(shí)現(xiàn)功能的那個(gè)庫。而tesseract是使用庫的應(yīng)用程序刻获。
libtesseract304的項(xiàng)目配置：
tesseract的項(xiàng)目配置：
我編程很喜歡用試錯(cuò)法蜀涨，就是明知道編譯通不過，也要編譯一下蝎毡。這不厚柳，我知道，現(xiàn)在編譯
libtesseract304肯定是有一大堆問題的沐兵。但别垮，不管怎么樣，編譯了再說吧扎谎。
果然碳想，編譯器報(bào)了一大堆錯(cuò)。
一共有110個(gè)錯(cuò)毁靶。都說是無法打開包括文件："allheaders.h"胧奔。
那么，allheaders.h文件是什么预吆，為什么會(huì)找不到葡盗？如何才能構(gòu)建出可以運(yùn)行的程序？且聽下回分解。
