评论：开源的命令行OCR软件──tesseract

由：bones7456

bones7456 — Mon, 17 May 2010 04:50:17 +0000

这就很难说了，估计一般吧~

由：黑传说

黑传说 — Mon, 17 May 2010 04:35:58 +0000

这个识别大文件如何？我想把大批的扫描版pdf转化为文字版。

由：python验证码识别之Discuz(二) | Observer专栏杂记

python验证码识别之Discuz(二) | Observer专栏杂记 — Sat, 06 Mar 2010 23:17:08 +0000

[...] 承接上文，上文写道去噪，本文应该接着从切块开始写，然后到比对的。然则上文写完之后开始收集训练样本，把样本用去噪算法一做，惨不忍睹；再加上上文之后有很多人留言提了不少意见，所以有了新的方向。 ` 首先骨头兄提议说可以用tesseract来做OCR，这个确实是一个很好的建议。很多验证码其实很简单，根本用不到高级的东东，直接用tesseract就可以摆平。 ` 然而经过实验，效果不尽如人意，如图： ` 还有关于选取多角度多采样的建议，后来发现会导致样本容量太大，性能受到影响，所以也作出了一定的调整，目前来说验证码识别的部分算是写完了，绝对识别率在10%左右，如果可接受其他候选结果的话，识别率在50%左右，不能识别的主要因素是去噪效果不理想和没有成功切块。 ` 最后还有关于Discuz验证码使用反色阴影的建议，虽然可能可以大幅提高去噪成功率，但是因为不够通用被我舍弃了。 ` 我不喜欢直接写结论，我会把我的探索过程和绕圈子过程一起写出来，因为这样看了才有收获，否则也就是”又一个注册码破解器”这种东东而已，能写出来多少就写多少吧。 [...]

由：bones7456

bones7456 — Mon, 01 Mar 2010 08:41:38 +0000

其他的几个图片也都不能识别吗？多试几个好了。
另外，deu的是什么语言的数据包？删了好了。。。

由：sam

sam — Mon, 01 Mar 2010 08:36:30 +0000

你好，我在debian 5.0下试了很奇怪，无法识别出来。

$ wget http://li2z.cn/data/yzm/cnblogs.com.jpe
$ convert cnblogs.com.jpe ppm:- | ppm2tiff yzm.tif
$ tesseract yzm.tif out
Tesseract Open Source OCR Engine
$ cat out.txt
;;:g;;gg:搂;;;gg:搂:g;;;g:搂:i;;g

我看了一下软件包的版本是：
$ ls -l /var/cache/apt/archives/tesseract-ocr*
-rw-r–r– 1 root root 837710 2008-06-13 05:32 /var/cache/apt/archives/tesseract-ocr_2.03-2_i386.deb
-rw-r–r– 1 root root 1374982 2007-11-12 13:26 /var/cache/apt/archives/tesseract-ocr-deu_2.00-1_all.deb
-rw-r–r– 1 root root 1014242 2007-11-12 13:26 /var/cache/apt/archives/tesseract-ocr-eng_2.00-1_all.deb

请问是哪儿设置有问题？