使用ImageMagick和Tesseract做中文文本识别

一、用imagemagic对图片进行预处理，以提高识别率

convert -compress none -depth 8 -alpha off -crop 112x15+0+1 -monochrome ./1.png ./1.tif

　　1.-compress none，必选参数.必须在无压缩模式下进行，否则tesseract可能不接受图片。

　　2.-depth 8，可选参数。加上据说可以提高识别率。

　　3.-alpha off，可选参数。加上据说可以提高识别率。

　　4.-crop ... 可选参数。用来裁掉图片的空白区域和下划线。具体格式为：width x height + x + y，按照矩形区域裁剪，x和y是指矩形。

的左上角的坐标的，width和height是说矩形框的宽高，如果width或者height写0，意思是取当前图片本身的宽或者高。

　　5.-monochrome，可选参数。是把图片处理成黑白二色，即所谓的二值化，也可以尝试下-colorspace Gray来代替。

convert ./1.tif -scale 300% ./1.tif

　　放大图片，以提高识别率，少数情况下图片放大后反而识别不出来了。

二、用tesseract来识别图片

tesseract ./1.tif ./1 -l chi_sim -psm 7

　　1.-l，必选参数。用来指定语言类型，系统默认不支持中文，要到谷歌下载中文语言包，放到tesseract安装目录下的tessdata文件夹中，即chi_sim.traineddata这个文件。

　　2.-psm 7，可选参数。这个参数用来告诉tesseract目标图片当中只有一行文字，这么做可以提高识别率。