guozhengdong的专栏

网上有关于很多Tesseract OCR的训练文章，我kanl

OCR(Optical Character Recognition):光学字符识别,是指对图片文件中的文字进行分析识别，获取的过程。 Tesseract：开源的OCR识别引擎，初期Tesseract引擎由HP实验室研发，后来贡献给了开源软件业，后经由Google进行改进，消除bug，优化，重新发布。当前版本为3.01. 项目地址为：http://code.google.com/p/

Tesseract的识别步骤大致如下： 1. 连通区域分析； 2. 检测出字符区域区域（轮廓外形），以及子轮廓； 3. 由字符轮廓，得出文本行，以及通过空格识别出单词，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fuzzy空格来分割为单词； 4. 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字母也作为训