Tesract OCR（光学字符识别）引擎概述
一：Tesract OCR 简介
Tesract是惠普布里斯托实验室在1985到1995年间开发的一个开源的小学四年级应用题OCR引擎，曾经在1995 UNLV精确度测试中名列前茅。但1996年后基本停止了开发。2005年，惠普将其对外开源，2006由Google对Tesract进行改进、消除Bug、优化工作。项目地址为：/p/tesract-ocr
二： Tsract OCR 架构
Tesract的识别步骤大致如下：
1. 连通区域分析,检测出字符区域区域（轮廓外形）,以及子轮廓。在此阶段轮廓线集成为块区域。
2. 由字符轮廓和块区域得出文本行，以及通过空格识别出单词。固定字宽文本通过字符单元分割出单个字符，而对百分号的文本（Proportional text）通过一定的间隔和模糊间隔就（fuzzy spaces）来分割；
3. 依次对每个单词进行分析，采用自适应分类器，分类器有学习能力，先分析的且满足条件的单词也作为训练样本，所以后面的字符（比如页尾）识别更准确；此时，页首的字符识别比较不准确，所以tesract会再次对识别不太好的字符识别是其精度得到提高。
4.最后，识别含糊不清的空格，及用其他方法，如由笔画高度（x-height），识别小写字母（small-cap）的文本。
三：文本行和单词的查找（Line and Word Finding）
a. 假设页面布局分析（page layout analysis）大致确定了文本区域和文本尺寸，一个简单百分位高度过滤器（percentile height filter）可以将跨行大写字母及纵向粘连一起的字符过滤掉，利用字符的高度信息，选取所有字符的中值高度，通过高度的比例调节去掉一些无关的块，比如标点符号，变音符和噪声等；
b. 对块区域的x坐标排序，利用坐标拟合直线（baline），拟合方法：中位数最小方差拟合（least median of squares fit）
c. 进一步，拟合文本行的形状，利用四次多项式，将文本行看成螺线形，采用最小二乘法拟合
d. 检测出等距文本(fixed pitch text)，对粘连的文本进行分割(chopping)
e. 对非等距字体如百分号，斜体等问题，利用中线、基准线之间的空白大小，来分割字符
有关函数：
1．PageIterator * tesract::TessBaAPI::AnalyLayout()页面结构分析
2. Boxa * tesract::TessBaAPI::GetRegions(Pixa ** pixa) 获取页面结构分析结果
3. Boxa * tesract::TessBaAPI::GetConnectedComponents | ( | Pixa ** | pixa | ) | |
| | | | | |
连通域分析
4.
|
void tesract::TessBaAPI::GetBlockTextOrientations | ( | int ** | block_orientation, |
| | bool ** | vertical_writing |
| ) | | |
| | | | 扔沙包游戏玩法
获取每一块（block由页面结构分析获得）中的文字方向。
5.
Boxa * tesract::TessBaAPI::GetStrips | ( | Pixa ** | pixa, |
| | int ** | blockids |
| ) | | 获得strip区域 |
| | | |
6.
Boxa * tesract::TessBaAPI::GetTextlines | ( | Pixa ** | pixa, |
腿痛是怎么回事 | | int ** | blockids |
| ) | | 孕早期腰酸获得文本行 |
| | | |
7. Boxa * tesract::TessBaAPI::GetWords(Pixa ** pixa) 以Boxa格式获取文字。
8.
Boxa *tesract::TessBaAPI::GetComponentImages | ( | PageIteratorLevel | level, |
| | bool | text_only, |
| | ps椭圆工具周末快乐祝福语Pixa ** | pixa, |
| | int ** | blockids |
| ) | | |
| 土豆泥 | | | |
获得指定级别的元素（block，textline, word）
9.
void tesract::TessBaAPI::DeleteBlockList(BLOCK_LIST * block_list)
删除Block
四：单词的识别（word recognition）
a. 分割粘连的字符，将凹进去的轮廓点作为备选分割点，分割后，进行识别，如果都失败，就认为字符破损不全，修补字符
b. 对破碎的字符，利用A*算法搜索最优的字符组合，直到达到满意的识别结果。（识别成功的基本是字符分类器可以很好的识别破碎的字符）
1.int tesract::TessBaAPI::Recognize(ETEXT_DESC * monitor)
识别 来自SetAndThresholdImage的图像， 产生Tesract 内部结构数据。
2.int tesract::TessBaAPI::RecognizeForChopTest(ETEXT_DESC * monitor)
识别 来自SetAndThresholdImage，Recognize() or TesractRect().的图像，测试chopper.
3.
bool tesract::TessBaAPI::ProcessPages | ( | const char * | filename, |
| 中考动员大会 | | const char * | retry_config, |
| | int | timeout_millic, |
| | STRING * | text_out |
| ) | | |
| | | |
识别指定文件的所有页面
4.
bool tesract::TessBaAPI::ProcessPage | ( | Pix * | pix, |
| | int | page_index, |
| | const char * | filename, |
| | const char * | retry_config, |
| | int | timeout_millic, |
| | STRING * | text_out |
| ) | | |
| | | |
识别指定文件的单张页面
5.
int tesract::TessBaAPI::IsValidWord(const char * word)
