文字识别引擎试用:tesseract-ocr
tesseract-ocr 是一 个OCR引擎,在1985年到1995年由HP实验室开发,后来由google开发并且开源,支持多平台,支持多达40种语言,其中包括中文,支持训练,tesseract-ocr是一个命令行程序,但是也提供多种语言的包装器,如.Net 、Python、Ruby、C、Java,方便集成到程序中使用。 命令行调用很简单: tesseract.exe <image> <outputName> [-l lang] [configs] <image>: 要识别的图片路径 <outputName>: 命令行模式下,tesseract会把识别出来的文字结果保存在一个文本文件中,outputName是该文件的名字,如果值为“lixin”,那么结果会保存在程序根目录下的lixin.txt文件中。 [-l lang]: 默认情况下自带了英文的字典,如果想识别中文或者其他语言,需要在下载相应的语言包,并存放在程序“/tessdata”目录下,例如我下载了一个简体中文包,文件名为“chi_sim.traineddata”,解压到“tessdata”目录下,然后该值为:“-l chi_sim”。 [configs]: 配置项。 调用的例子: tesseract.exe d:\test.jpg resultFile –l chi_sim 经过测试,英文的识别率还是比较高的