概述

相关源文件

• ChangeLog
• Makefile.am
• README.md
• VERSION
• configure.ac
• include/tesseract/baseapi.h
• include/tesseract/capi.h
• include/tesseract/export.h
• include/tesseract/ltrresultiterator.h
• include/tesseract/ocrclass.h
• include/tesseract/osdetect.h
• include/tesseract/pageiterator.h
• include/tesseract/publictypes.h
• include/tesseract/renderer.h
• include/tesseract/resultiterator.h
• include/tesseract/unichar.h
• src/api/baseapi.cpp
• src/api/capi.cpp
• src/arch/dotproduct.h
• src/arch/dotproductneon.cpp
• src/arch/intsimdmatrixrvv.cpp
• src/arch/simddetect.cpp
• src/arch/simddetect.h
• src/ccmain/linerec.cpp
• src/ccmain/tessedit.cpp
• src/ccmain/tesseractclass.cpp
• src/ccmain/tesseractclass.h
• src/ccmain/thresholder.cpp
• src/ccmain/thresholder.h
• src/lstm/lstmrecognizer.cpp
• src/lstm/lstmrecognizer.h
• src/tesseract.cpp
• src/training/combine_tessdata.cpp

Tesseract OCR 是一款开源的光学字符识别引擎，可将图像中的文本转换为机器可读的格式。本页面提供了 Tesseract OCR 系统的概述、其架构和主要组件。有关构建和安装 Tesseract 的信息，请参阅 构建和部署，有关其 API 的详细信息，请参阅 API 参考。

Tesseract 由两个主要组件组成：

1. libtesseract - 实现 OCR 引擎的 C++ 库
2. tesseract - 用于 OCR 处理的命令行程序

版本和历史

Tesseract 最初由惠普实验室于 1985 年至 1994 年间开发，并在 1996 年和 1998 年进行了额外开发。HP 于 2005 年开源了它，Google 于 2006 年至 2018 年期间接管了开发。

根据当前文档，Tesseract 版本为 5.5.0（于 2024 年 11 月 10 日发布）。它同时包含基于 LSTM 神经网络的引擎和传统的 OCR 引擎。由于 LSTM 引擎性能更优，已成为默认引擎。

来源： README.md20-54 ChangeLog1-20 VERSION1-2

核心功能

• 通用文本识别，开箱即支持 100 多种语言
• 多种输入格式，包括 PNG、JPEG 和 TIFF
• 多种输出格式，包括纯文本、hOCR（HTML）、PDF、仅含不可见文本的 PDF、TSV、ALTO 和 PAGE
• 两种识别引擎:
  • 基于 LSTM 神经网络的引擎（默认）
  • 传统的 OCR 引擎（可选）
• 训练能力，用于识别其他语言和字符集

来源： README.md34-44

系统架构

Tesseract 遵循模块化架构，组件之间有明确的职责分离。

高级架构图

来源： src/api/baseapi.cpp58-168 include/tesseract/baseapi.h76-145 src/ccmain/tesseractclass.h178-204

OCR 处理管道

下图说明了 Tesseract 中 OCR 过程的主要阶段：

来源： src/ccmain/thresholder.cpp38-276 src/api/baseapi.cpp500-550 src/lstm/lstmrecognizer.cpp50-138

关键组件

API 层

API 层提供了应用程序与 Tesseract OCR 引擎交互的接口。

1. TessBaseAPI - 暴露大部分功能的 C++ 主 API 类
2. C API - TesseractBaseAPI 的 C 语言包装器，供非 C++ 应用程序使用
3. Page/Result Iterators - 用于按不同级别（块、段落、行、单词、符号）迭代识别文本的类

来源： include/tesseract/baseapi.h76-373 src/api/baseapi.cpp161-393 include/tesseract/resultiterator.h1-100 include/tesseract/renderer.h47-127

核心组件：Tesseract 类

Tesseract 类是实现 OCR 功能的核心引擎。它继承自提供单词识别功能的 Wordrec 类。

来源： src/ccmain/tesseractclass.h178-317 src/ccmain/tesseractclass.cpp53-167

识别引擎

Tesseract 具有两个 OCR 引擎：

1. LSTM 神经网络引擎 - 具有更好准确性的现代引擎
2. 传统/遗留引擎 - Tesseract 的原始引擎

LSTM 引擎

LSTM 引擎使用循环神经网络（特别是长短期记忆网络）来识别文本。它将文本作为序列进行处理，并且与语言无关。

来源： src/lstm/lstmrecognizer.cpp50-138 src/lstm/lstmrecognizer.h51-100

遗留引擎

遗留引擎使用基于特征的方法，结合模式匹配和自适应分类来识别文本。

图像处理组件

Tesseract 中的图像处理主要由 ImageThresholder 类处理，该类负责：

1. 将输入图像转换为二进制格式以供处理
2. 提供应用不同阈值技术的各种方法
3. 管理用于处理的图像矩形

来源： src/ccmain/thresholder.cpp38-100 src/ccmain/thresholder.h1-100

硬件优化

Tesseract 为各种 CPU 架构提供了 SIMD（单指令多数据）优化。

• AVX, AVX2, FMA - 适用于 Intel/AMD 处理器
• NEON - 适用于 ARM 处理器
• RVV - 适用于 RISC-V 处理器

SIMDDetect 类可检测可用的硬件功能并选择合适的优化函数。

来源： src/arch/simddetect.cpp75-150 src/arch/simddetect.h1-50

命令行用法

Tesseract 可以从命令行使用，基本语法如下：

tesseract imagename outputbase [-l lang] [--oem ocrenginemode] [--psm pagesegmode] [configfiles...]

其中

• imagename 是输入图像的名称
• outputbase 是输出文件的前缀
• -l lang 指定要使用的语言
• --oem 指定 OCR 引擎模式（0 = 仅遗留，1 = 仅 LSTM，2 = 遗留 + LSTM，3 = 默认）
• --psm 指定页面分割模式

来源： README.md70-76 src/tesseract.cpp20-93

训练数据文件

Tesseract 依赖于训练好的数据文件（.traineddata）进行识别。这些文件包含

1. 用于文本识别的 LSTM 模型
2. 特定语言的信息
3. 字典数据
4. 字符集（UNICHARSET）信息

TessdataManager 类管理对这些训练数据文件及其组件的访问。

来源： src/ccmain/tessedit.cpp70-147 src/ccutil/tessdatamanager.h1-50

快速入门

要在您的应用程序中使用 Tesseract

1. 使用 TessBaseAPI::Init()初始化 API
2. 使用 TessBaseAPI::SetImage()设置图像
3. 使用 TessBaseAPI::Recognize()识别文本
4. 使用 TessBaseAPI::GetUTF8Text() 等方法获取结果
5. 使用 TessBaseAPI::End()进行清理

有关 API 的更详细信息，请参阅 API 参考 部分。

来源： src/api/baseapi.cpp297-363 README.md79-85