tesseract - 클라우드 온라인

프로그램:

이름

tesseract - 명령줄 OCR 엔진

개요

테세 랙트 이미지 이름|표준 출력베이스|표준 출력 [옵션...] [구성 파일...]

기술

테세 랙트(1)은 원래 1985년 사이에 HP에서 개발된 상용 품질 OCR 엔진입니다.
1995년에 이 엔진은 UNLV에서 평가한 상위 1995개 엔진 중 하나였습니다. 오픈소스였습니다
2005년에 HP와 UNLV에 의해 개발되었으며 그 이후로 Google에서 개발되었습니다.

입 / 출력 인수

이미지 이름
입력 이미지의 이름입니다. 대부분의 이미지 파일 형식(Leptonica에서 읽을 수 있는 모든 형식)
지원됩니다.

표준
표준 입력에서 데이터를 읽는 명령어

출력베이스
출력 파일의 기본 이름(적절한 확장자가 추가됨).
기본적으로 출력 이름은 아웃베이스.txt.

표준 출력
출력 데이터를 표준 출력으로 보내는 명령어

옵션

--tessdata-dir /길
tessdata 경로의 위치 지정

--사용자 단어 /경로/대상/파일
사용자 단어 파일의 위치 지정

--사용자 패턴 /경로/대상/파일 지정하다
사용자 패턴 파일의 위치

-c 구성 변수=값
제어 매개변수에 대한 값을 설정합니다. 여러 -c 인수가 허용됩니다.

-l 랭
사용할 언어입니다. 아무것도 지정하지 않으면 영어로 간주됩니다. 여러 언어가 가능합니다.
더하기 문자로 구분하여 지정해야 합니다. Tesseract는 3자 ISO 639-2를 사용합니다.
언어 코드. (언어 참조)

-psm N
레이아웃 분석의 하위 집합만 실행하도록 Tesseract를 설정하고
영상. 옵션 N 위치 :

0 = 방향 및 스크립트 감지(OSD)만.
1 = OSD를 사용한 자동 페이지 분할.
2 = 자동 페이지 분할, OSD 또는 OCR 없음.
3 = 완전 자동 페이지 분할이지만 OSD는 없습니다. (기본)
4 = 다양한 크기의 단일 텍스트 열을 가정합니다.
5 = 세로로 정렬된 단일 텍스트 블록을 가정합니다.
6 = 하나의 균일한 텍스트 블록을 가정합니다.
7 = 이미지를 단일 텍스트 줄로 처리합니다.
8 = 이미지를 단일 단어로 처리합니다.
9 = 이미지를 원 안의 단일 단어로 처리합니다.
10 = 이미지를 단일 문자로 처리합니다.

구성 파일
사용할 구성의 이름입니다. 구성은 다음 목록을 포함하는 일반 텍스트 파일입니다.
변수와 해당 값을 한 줄에 하나씩, 변수와 값을 구분하는 공백이 있습니다.
흥미로운 구성 파일은 다음과 같습니다.

· hocr - 텍스트 파일 대신 hOCR 형식으로 출력합니다.

· pdf - 텍스트 파일 대신 pdf로 출력합니다.

주의 베네 : 옵션 -l 랭 and -psm N 어떤 것보다 먼저 발생해야 합니다. 구성 파일.

SINGLE 옵션

-v
의 현재 버전을 반환합니다. 테세 랙트(1) 실행 가능.

--목록-언어
tesseract 엔진에 사용 가능한 언어를 나열합니다. --tessdata-dir과 함께 사용할 수 있습니다.

--인쇄 매개변수
tesseract 매개변수를 stdout에 인쇄합니다.

언어

현재 다음 언어에 사용할 수 있는 언어 팩이 있습니다(에서
https://github.com/tesseract-ocr/tessdata):

afr (아프리카 어) 암 (암하라 어) 아라 (아라비아 말) asm (아쌈어) 아즈 (아제르바이잔) aze_cyrl
(아제르바이잔어 - 키릴 문자) 벨 (벨로루시어) 벤 (벵골 사람) 몸매 (티베트어) BOS (보스니아어) bul
(불가리아 사람) 방법 (카탈로니아어, 발렌시아어) ceb (세부아노) CES (체코 사람) chi_sim (중국인 -
쉽게 한) 치_트라 (중국 전통) chr (체로키) 심벌즈 (웨일스 말) 단 (덴마크 말)
dan_frak (덴마크어 - Fraktur) DEU (독일어) deu_frak (독일어 - Fraktur) 조 (종카) 엘자
(그리스, 현대(1453-)) ENG (영어) 엔엠 (영어, 중세(1100-1500)) 에포 (에스페란토 말)
등가 (수학/방정식 감지 모듈) Nireco와 (에스토니아 사람) 귀 (바스크 사람) 지방 (페르시아 인) 지느러미
(핀란드어) (프랑스 국민) frk (프랑크어) 프롬 (프랑스, 중세(ca.1400-1600)) GLE (아일랜드의) GLG
(갈리시아어) 그리스 어 (그리스어, 고대(1453년까지)) guj (구자라트어) 모자 (아이티어; 아이티 크리올어) b
(헤브라이 사람) 아래로 (힌디 어) HRV (크로아티아어) 훈 (헝가리 인) 이쿠 (이누이트어) 산업 (인도네시아 인) 아일
(아이슬란드어) ITA (이탈리아 사람) ita_old (이탈리아어 - 구) JAV (자바어) 일본 (일본어) 관
(칸나다어) 캣 (그루지야 사람) kat_old (그루지야어 - 구) 카즈 (카자흐어) 크흠 (중부 크메르어) 키르
(Kirghiz; 키르기즈) KOR (한국어) 쿠르 (쿠르드어) 라오어 (라오스) 위도 (라틴어) 낮은 (라트비아 사람) 침대
(리투아니아 사람) 말 (말라얄람어) 월 (마라티어) mkd (마케도니아 어) 물 (몰티즈) MSA (말레이 사람) 마이아
(버마 사람) 네프 (네팔리) NLD (네덜란드어, 플랑드르어) ...도 아니다 (노르웨이 인) 또는 (오리야) OSD (정위
및 스크립트 감지 모듈) 접시 (판잡어; 펀잡어) 폴 (광택) 로 (포르투갈 인) 고름
(푸쉬토어; 파슈토어) 론 (루마니아어, 몰도바어, 몰도바어) RUS (러시아인) 성 (산스크리트) 죄
(싱할라어; 신할라어) slk (슬로바키아 사람) slk_frak (슬로바키아어 - Fraktur) SLV (슬로베니아) 온천
(스페인어, 카스티야어) spa_old (스페인어, Castilian - Old) 평 (알바니아) SRP (세르비아 사람)
srp_latn (세르비아어 - 라틴어) SWA (스와힐리어) SWE (스웨덴어) 선생님 (시리아) 탐 (타밀 사람) 전화 번호
(텔루구어) tgk (타직) 티글 (타갈로그어) 그쪽으로 (태국어) 사격 (티그리냐) 터 (터키어) 위그 (위구르;
위구르) UKR (우크라이나 인) 우르르 (우르두어) 우즈비 (우즈벡) uzb_cyrl (우즈벡어 - 키릴 문자) 우열이 없다 (베트남 사람)
이드 (이디시어)

이름이 비표준 언어 팩을 사용하려면 foo.traineddata, 설정 TESSDATA_PREFIX
파일을 찾을 수 있도록 환경 변수 TESSDATA_PREFIX/테스데이터/푸.traineddata
Tesseract에 인수를 부여합니다. -l 푸.

구성 파일 및 증강 세이프가드가 USER 데이터

Tesseract 구성 파일은 변수-값 쌍(공백으로 구분됨)이 있는 줄로 구성됩니다. 그만큼
변수는 소스 코드에서 다음과 같은 플래그로 문서화됩니다.
tesseractclass.h:

STRING_VAR_H(tessedit_char_blacklist, "", "인식할 수 없는 문자 블랙리스트");

이러한 변수는 엔진의 다양한 기능을 활성화 또는 비활성화할 수 있으며
다양한 데이터를 로드(또는 로드하지 않음)합니다. 예를 들어 영어로 OCR을 하고 싶다고 가정해 보겠습니다.
그러나 일반 사전을 억제하고 대체 단어 목록과 대체 단어 목록을 로드합니다.
패턴 목록 — 이 두 파일은 가장 일반적으로 사용되는 추가 데이터 파일입니다.

언어 팩이 /path/to/eng.traineddata에 있고 hocr 구성이 있는 경우
/path/to/configs/hocr 그런 다음 세 개의 새 파일을 만듭니다.

/path/to/eng.user-words:

전에,
빨리
갈색
여우
뛰어

/path/to/eng.user-patterns:

1-\d\d\d-GOOG-411
www.\n\\\\*.com

/경로/to/configs/bazaar:

load_system_dawg F
load_freq_dawg F
user_words_suffix 사용자 단어
user_patterns_suffix 사용자 패턴

이제 단어를 전달하면 바자 Tesseract에 대한 후행 명령줄 매개변수로,
Tesseract는 시스템 사전이나 자주 사용하는 사전을 로드하지 않습니다.
words 및 제공한 eng.user-words 및 eng.user-patterns 파일을 로드하고 사용합니다.
전자는 한 줄에 하나씩 간단한 단어 목록입니다. 후자의 형식은 다음에 문서화되어 있습니다.
read_pattern_list()의 dict/trie.h.

연혁

엔진은 Hewlett Packard Laboratories Bristol과 Hewlett Packard에서 개발되었습니다.
Co, Greeley Colorado는 1985년에서 1994년 사이에, 1996년에는
Windows, 1998년 일부 C++화. 많은 코드가 C로 작성되었고 그 다음에는 더 많은 코드가 작성되었습니다.
C++로 작성되었습니다. C\++ 코드는 매크로를 사용하는 목록 시스템을 많이 사용합니다. 이것
stl보다 이전이고 stl 이전에 이식 가능했으며 stl 목록보다 효율적이지만
세그멘테이션 위반이 발생하면 디버그하기 어렵다는 큰 단점이 있습니다.

버전 2.00은 유니코드(UTF-8) 지원, XNUMX개 언어 및 교육 기능을 제공했습니다.
테서랙트

Tesseract는 UNLV의 XNUMX차 연간 OCR 정확도 테스트에 포함되었습니다. 보다
https://github.com/tesseract-ocr/docs/blob/master/AT-1995.pdf. 테서랙트 2.00으로,
이제 누구나 이러한 테스트 중 일부를 재현할 수 있도록 스크립트가 포함되었습니다. 보다
https://github.com/tesseract-ocr/tesseract/wiki/TestingTesseract 자세한 내용은.

Tesseract 3.00은 중국어, 일본어, 한국어를 포함한 여러 새로운 언어를 추가합니다. 그것
또한 언어 데이터를 관리하는 새로운 단일 파일 기반 시스템을 소개합니다.

Tesseract 3.02는 BiDirectional 텍스트 지원, 다중 인식 기능을 추가합니다.
단일 이미지의 언어 및 향상된 레이아웃 분석.

자세한 내용은 배포판에 포함된 ReleaseNotes 파일을 참조하십시오.

리소스

주요 웹사이트: https://github.com/tesseract-ocr 교육 정보:
https://github.com/tesseract-ocr/tesseract/wiki/TrainingTesseract

onworks.net 서비스를 사용하여 온라인으로 tesseract 사용