OCR - Tesseract的Windows下安装使用及ocr识别

一、光学字符识别技术

        OCR（Optical Character Recognition），中文是光学字符识别。是指对文本资料的图像文件进行分析识别处理，获取文字及版面信息的过程。

        主要包含以下技术

        1、图像输入：要进行OCR识别，第一步就是通过采集所要识别的图像，可以是名片、身份证、护照、行驶证、驾驶证、公文、文档等等，然后将图像输入到识别核心区域。

        2、图像进行预处理：此过程包含二值化（像素）、去噪、倾斜度矫正等

        3、版面分析：将所要识别的文档分段、分行处理

        4、字符切割：此步骤需要字符定位和字符切割，定位出字符串的边界，然后分别对字符串进行单个切割，单个分割出来的字符再做识别。

        5、字符特征提取：提取需要的字符特征，为后面的识别提供依据。

        6、字符识别：将当前字符提取的特征向量与特征模板库进行模板粗分类和模板细匹配，识别出字符。

        7、版面回复：将识别结果按照原来的版面排班，输出Word或pdf格式的文档。

        8、后处理校正: 根据特定的语言上下文的关系，对识别结果进行较正的算法。

二、win10下安装Tesser