前言
最近再搞OCR的，用于识别日文报刊，是公司的一个日本项目，做的我是苦不堪言。最近把自己的工作内容写出来，也会做一个系列和专栏，欢迎关注！
想搞好这个OCR，需要读论文。好在只需要读4篇，都是Tesseract的作者Ray Smith写的。Tesseract目前被Google维护并开源，以后的前景应该会非常好。
按发表时间排序：
- 2007，An Overview of the Tesseract OCR Engine
- 2009，Hybrid Page Layout Analysis via Tab-Stop Detection
- 2009，Adapting the Tesseract Open Source OCR Engine for Multilingual OCR
- The Fourth Annual Test of OCR Accuracy[不是Ray所写]
需要深入研究的请戳链接。以上都是英文资料，中国人帮助中国人，所以我会把我翻译过的一部分公布出来，欢迎关注。if 没有公布，欢迎来问，前3篇论文都已经看过2、3遍了，还是知道一些东西的。
OCR概述
全称Optical Character Recognition ,中文即：光学字符识别。这是文字自动输入的一种方法，通过扫描和摄像等光学输入方式获取纸张上的文字图像信息，利用各种模式识别算法分析文字形态特征，判断出文字的标准编码，并按通用格式存储在文本文件中，从根本上改变了人们对计算机文字人工编码录入的概念。
我这就是瞎扯淡。。。大家自己去维基百科上看吧。
Tesserct概述
原理和架构会单独拿出来去写，请关注—->传送门(安好啦，快来点啊！ <-_->)。
图1 识别过程图
图2 识别过程图（中文版）
入门操作
开发环境（请注意你自己的）：
- Python2.7，用自带的IDLE即可
- Ubuntu14.04 LTS
- Tesseract 3.02
如果没有这些东西，试了下面的代码不成功，建议使用虚拟机（VM）来安装这些工具。
注意2点：
1 Tesseract在Github上的Python API，在你自己的电脑不一定能跑通，因为libtesseract.so.3的存储位置不同，需要自己去找自己本机的libtesseract.so.3
2 Tesseract的处理时间和图片大小有关，越大的图片用时越长，用大图片测试的童鞋请耐心等待
代码如下：
##########################################
#内容来自：谷震平的博客,http://blog.csdn.net/guzhenping
#谷震平原创，请尊重版权！
#这个是最精简的Python代码，后续会给出复杂的~~~~~~
#使用说明：(1) 注意你的引擎库文件的位置，可能需要修改libname;
#(2) 我的待识别图片filename在桌面上,请注意修改，一定要把文件扩展
#名带上
##########################################
import os
import ctypes
libname = "/usr/lib/libtesseract.so.3" # tesseract引擎的动态库
lang = "eng" # 识别的语言，eng是英文，chi_sim是中文，自己选择
filename = "/home/guzhenping/Desktop/tests.jpg" # 待识别图片
# 加载动态库
tesseract = ctypes.cdll.LoadLibrary(libname)
TESSDATA_PREFIX = os.environ.get("TESSDATA_PREFIX")
# 创建一个handle,请看TessBaseAPI,你就懂了为啥非要有handle
api = tesseract.TessBaseAPICreate()
# 初始化引擎
rc = tesseract.TessBaseAPIInit3(api,TESSDATA_PREFIX,lang)
# 处理待识别图片
text_out = tesseract.TessBaseAPIProcessPages(api,filename,None,0)
#转成字符串
result_text = ctypes.string_at(text_out)
print result_text # 输出结果结语
如果希望深入研究Tesseract，欢迎交友，留言。此外，我还有印象笔记的工作记录。如果可以，欢迎交换研究资料。
这些工作还有待完善，会慢慢发布的，期待您的关注！
谷震平的原创文章，请尊重版权，转载请注明出处。谢谢~~~~
新开通微信公众号，欢迎关注原创文章：
