1.3.1 AI-＞Tesseract OCR Engine标准（HP、Google）：Tesseract OCR Engine

Tesseract 是目前最主流、免费开源的 OCR 引擎（Apache 2.0 协议），由 HP 始创、Google 长期维护，核心是图像→文本的高精度识别，支持 Windows/Linux/macOS 及 100+ 语言

核心定位与历史

• 全称：Tesseract OCR Engine

• 起源：1985--1994 HP 实验室；2005 开源；2006 起 Google 主导开发

• 最新稳定版：5.3.x（2025）

• 核心能力：

  • 印刷体文字高准确率
  • 多语言 / 混合语言（eng+chi_sim）
  • 版面分析、位置信息输出
  • 命令行 + C/C++/Python/JS 等绑定
  • 可自定义训练（traineddata）

标准工作流程（官方 pipeline）

Tesseract 严格按以下步骤执行：

图像输入与预处理

• 输入格式（Leptonica 支持）：

  PNG/JPEG/TIFF/GIF/BMP/WebP/JP2Tesseract OCR

• 预处理（自动 / 手动）：

  • 灰度化 → 二值化（黑白）
  • 去噪、倾斜校正（deskew）
  • 对比度增强、裁剪、缩放（建议 300 DPI）

版面分析（Layout Analysis）

• OSD：方向与脚本检测（Orientation & Script Detection）
• 页面分割：区分文本块 / 图片 / 表格 / 多栏
• 文本行定位 → 单词分割 → 字符分割

字符识别（两大引擎）

• Legacy（v3 传统引擎）：

  模板匹配、特征树、字符模式识别

• LSTM（v4+ 主力）：

  长短期记忆神经网络，行级端到端识别，精度大幅提升

后处理（校正）

• 词典匹配、语言模型纠错
• 空格 / 标点 / 大小写修正
• 置信度过滤（wordconf/textconf）

输出

• 纯文本、hOCR（HTML + 位置）、PDF（可搜索）、TSV、ALTO XML

核心命令行参数（标准用法）

基本格式

tesseract 输入图 输出基名 [选项]

关键参数（必掌握）

引擎模式 --oem（OCR Engine Mode）

• --oem 0：仅 Legacy 引擎
• --oem 1：仅 LSTM 引擎（推荐）
• --oem 2：Legacy + LSTM 融合
• --oem 3：自动（默认）

页面分割模式 --psm（Page Segmentation Mode）

常用值：

• 3：全自动分割 + OSD（默认）
• 6：单一块文本（截图 / 纯文本最稳）
• 7：单行
• 8：单词
• 10：单个字符
• 11：稀疏文本（自然场景）

语言 -l

• 3 位 ISO 639-2：eng/chi_sim/chi_tra/jpn/kor/ara
• 混合：-l eng+chi_sim

输出格式

tesseract in.png out txt hocr pdf  # 同时输出三种

• txt：纯文本
• hocr：带坐标的 HTML（用于版面还原）
• pdf：可搜索 PDF
• tsv：文本 + 坐标 + 置信度

常用优化

• --dpi 300：指定分辨率
• -c tessedit_char_whitelist=0123456789：白名单
• -c tessedit_do_invert=0：禁用反色（黑底白字）

模型文件标准（tessdata）

模型类型

• tessdata：仅 LSTM（v4+，小而准）
• tessdata_best：LSTM 高精度（慢）
• tessdata_fast：LSTM 快速（精度略降）
• tessdata_legacy：含传统引擎（v3 兼容）

命名与路径

• 文件名：[lang].traineddata（如 chi_sim.traineddata）

• 标准路径：

  • Linux: /usr/share/tesseract-ocr/5/tessdata/
  • Windows: C:\Program Files\Tesseract-OCR\tessdata

• 环境变量：TESSDATA_PREFIX

版本关键差异（标准演进）

• v3：传统引擎；有限版面分析；不支持 LSTM

• v4（重大升级）：

  • 加入 LSTM 主线
  • 支持 100+ 语言
  • 垂直文本、复杂排版
  • hOCR/PDF 输出成熟

• v5：

  • LSTM 优化、速度提升
  • 低质图鲁棒性增强
  • 更好的 Unicode 与标点处理

识别准确率标准与优化

影响精度的关键因素

• 图像质量：300 DPI、清晰、无模糊、无阴影
• 二值化：干净黑白（避免灰度粘连）
• 语言正确 ：-l 必须匹配
• --psm 合适：不要用全自动（3）处理纯文本 / 截图

标准优化流程（实战）

1. 预处理（OpenCV/Pillow）：

   • 灰度 → 阈值二值化 → 去噪 → 倾斜校正

2. 命令行：

   tesseract clean.png result --oem 1 --psm 6 -l chi_sim

3. 后处理：正则过滤、词典校验

限制（标准边界）

• 不擅长：

  • 手写体（仅非常工整印刷体风格除外）
  • 极度模糊、低对比度、严重畸变
  • 复杂公式、艺术字、密集表格

• PDF ：Tesseract 不直接读 PDF，需先用 pdf2image/OCRmyPDF 转图Tesseract OCR

典型场景标准命令

1. 纯英文截图

   tesseract screen.png out --oem 1 --psm 6 -l eng

2. 中英文混合文档（300 DPI）

   tesseract doc.tif out pdf --oem 1 --psm 3 -l eng+chi_sim --dpi 300

3. 仅数字 + 大写字母（验证码 / 表单）

   tesseract cap.png out --oem 1 --psm 8 -l eng -c tessedit_char_whitelist=ABCDEFGHIJKLMNOPQRSTUVWXYZ0123456789

总结（标准要点）

• Tesseract 标准 = LSTM 引擎 + 版面分析 + 多语言 traineddata + 命令行 / API

• 最佳实践：

  • v5 + tessdata + --oem 1
  • 图像 300 DPI、二值化清晰
  • --psm 6/7 处理纯文本 / 单行
  • -l 严格匹配语种

• 适合：文档数字化、截图转文、表单识别、批量扫描