開源的命令行OCR軟件──tesseract

tesseract-ocr是一個跨平臺開源的OCR軟件（Optical Character Recognition，光學字符識別），它歷史悠久，早期是HP實驗室的項目，現托管于google code。
大部分常用的linux發行版，應該都在源里包含了此軟件，所以ubuntu下只需要 sudo apt-get install tesseract-ocr tesseract-ocr-eng 就可以安裝了，注意必須安裝 tesseract-ocr-eng 這個是識別英文字符所必須的數據文件。而在ubuntu下，也只需要 emerge app-text/tesseract 就可以了，但是也必須給這個包添加 linguas_en 這個use，才會安裝所需要的數據文件。- R  I/ Q6 V  N- Y* Z# r
關于數據文件，還得交代一下，其實tesseract在2.0版以后，已經有了學習能力了，如果你想提高某個字體的識別率，或者識別不在默認語言包里的UTF-8字符（比如中文）的話，可以安裝這個方法來訓練出自己的數據文件。& W7 ?, @% i- L/ t' D: X
這個OCR軟件能干嘛呢？典型地應用就是識別驗證碼，哈哈。所以以這個為例，來介紹一下使用方法，先來看看這幾個驗證碼（可“圖片另存為”，然后自行測試）：6 D; W: L7 G. s: H' Y4 y/ \

這幾個都是用默認的數據文件能正確識別的例子，由于tesseract只識別tiff格式的圖片文件，所以識別之前，需要將圖片先轉成tif格式，具體如下：
$ convert cnblogs.com.jpe ppm:- | ppm2tiff yzm.tif $ tesseract yzm.tif out Tesseract Open Source OCREngine $ cat out.txt 1750
* i' [/ G+ a' U
同時，也有些比較難的驗證碼，是程序不能正確識別的，如下幾個就是例子：

雖然識別的正確性不是非常高，但是已經很不錯了，哈哈。