viewcode的专栏

最近接触OCR，先收集一些资料，包括成熟软件、SDK、流行算法。1. 一个对现有OCR软件及SDK的总结，比较全面，包括支持平台、编程语言、支持字体语言、输出格式、相关链接等http://en.wikipedia.org/wiki/List_of_optical_character_recognition_software以此为索引，比较、选择你想要的OCR SDK。

识别多种字体、多种语言的字符，在实际应用中是很常见的问题。经过测试，及查看tesseract3.01的源码，tesseract 3.01版本是不支持多语言、多种字体OCR识别的。tesseract3.01版本不支持新训练的数据，加入原有字符集，并不支持多个训练库的联合使用方式。如何利用tesseract进行多语言或多字体识别哪？一种方法是自己训练字符集，将所有的字体、语言的

原文： An Overview of the Tesseract OCR Engine 下载地址http://code.google.com/p/tesseract-ocr/wiki/DocumentationTesseract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

opencv自带一个字符识别的例子，它的重点不是OCR字符识别，而主要是演示机器学习的应用。它应用的是UCI提供的字符数据（特征数据）。DAMILES在网上发布了一个应用OpenCV进行OCR的例子， http://blog.damiles.com/2008/11/basic-ocr-in-opencv/。这些例子都只能用于学习OpenCV或熟悉OCR的简单流程，因为它们与当前比较专业的O

同tesseract OCR识别对图片有要求一样，在训练新的字符集或新的字体时，对图片也有一定要求，符合要求的图片，能大大提高训练的效率。在图像处理方面，去除噪声，使训练的字符图片尽量连贯、清晰。其他方面，通常的要求如下：1. 在一幅图片内，字体统一，决不能将多种字体混合出现在一幅训练图片内；如果不是通过扫描文本获取的字符图片，这个条件很容易被忽视。2.  理想条件下，同种字体的字