关于使用ImageMagick和Tesseract进行简单数字图像识别

据说Tesseract可是世界排名第三的OCR神器，2010年又更新了3.0版本。Tesseract原先是HP写的，现在Open Source了。

 

下面介绍怎么用Tesseract配合ImageMagick进行简单的数字图像识别。

 

首先Tesseract只能识别bmp，tif，所以先拿ImageMagick转换一下图像。注意得无压缩转换，否则Tesseract报错。

convert -compress none ./pict.gif./in1.tif

然后将图片灰度化-colorspace Gray，或者直接二值化-monochrome成黑白，这样识别率会高一点。

接下来裁剪出想要进行精确识别的部分：-crop widthxheight+x+y

比如-crop 320x40+0+1，从左上角开始坐标为(0,1)处，裁剪出320*40大小的图像。注意参数里是英文字母x，不是乘号*。

 

还有就是网上搜到的-depth 8和-alpha off参数，实践表明加不加效果不大。

一步完成就像这样：

convert -compress none-depth 8 -alpha off -crop 535x24+2+2 -monochrome ./pict.gif ./in1.tif

 

预处理完之后最好再放大一下，这次的样例放大到500%~600%的识别效率就能令人满意。

convert ./in1.tif -scale600% ./in2.tif

 

然后就可以开始用Tesseract进行识别了。

tesseract ./in2.tif ./1-l eng -psm 7

 

-l eng是选择语言，-psm 7是说源图像是只在一行上的文字。具体说明看Tesseract的帮助。

 

下面就是一些实例。

原图如下：

下面是二值化之后的效果，可以看见还是有些噪点的。

下面是灰度化之后的效果。

识别之后的结果是：

05093519038515450004738373775251263J91648J94318529731857

可以看到有些误报，针对这个问题又特殊处理一下误报字符，结果识别率在90%左右

参考资料：

ImageMagick: http://www.imagemagick.org

Tesseract: http://code.google.com/p/tesseract-ocr