Tesseract-OCR文字识别

放在前面：本文主要参考了这篇知乎专栏-Gemfield

时间有限，长话短说，主要是放一些资源，方便查找。

1.预处理

对于中文识别来说，不做预处理简直惨不忍睹。主要手段为

binarize and de-noise image；
高斯模糊之类的blur算法；
缩放图像（fix text size，e.g. 12 pt should be ok)；
锐化（Sharpening effect）；
fix DPI (if needed) 300 DPI is minimum；
try to fix illumination of image (e.g. no dark part of image);
contrast, brightness... it tends to work best when there is just black & white, i.e. no greyscale;
去掉图片中无关的线条;
高对比度；

再放一个有人制作的相关工具textcleaner ，这里有一小段介绍

2. 识别中文

下载中文语言包，简体中文的代号为chi_sim，每种语言在新时代的tesseract都应该有3种语言包：fast版、best版、raw版。fast版是考量了速度，并对准确度做了一定的妥协，apt安装的时候下载的语言包模型正是fast版。raw版是混合了新时代的LSTM模型和旧时代的模型，因此当使用raw版的时候，在命令行上可以指定 --oem 2。

我尝试使用best时报错了。。先把链接放着吧。