ocr技术基本模块（Linux平台的OCR软件gImageReader）

简介：gImageReader是一个GUI软件，实现利用tesseract OCR引擎（Tesseract本身是命令行工具）从Linux中的图像和PDF文档中识别文本。

Tesseract最初是由惠普开发的，然后在2006年开源。你可以用OCR（光学字符识别）引擎扫描图片或文件（PDF）中的文本。默认情况下，它可以检测多种语言，并且还支持通过Unicode字符进行扫描。

• 从磁盘，扫描设备，剪贴板和屏幕截图添加PDF文档和图像
• 支持多页的 PDF 文档
• 自动分页检测
• 通用图像控件可调节亮度，对比度和分辨率
• 能够一次处理多个图像或文件
• 支持用户手动定义和调整识别区域（也可以自动识别文字区域）
• 识别纯文本或hOCR文档
• 可以提取的文本进行对拼写检查
• 可以从hOCR文档转换/导出为PDF文档
• 将提取的文本导出为.txt文件
• 可以识别不同的语言
• 跨平台
• ... ...

1.由于不知道gImageReader在软件仓库中的确切名字，终端输入以下命令进行查询，发现有多个版本，我安装的Qt版本。

sudo pacman -Ss gImageReader

2.终端输入以下命令进行安装

sudo pacman -S gImageReader-qt

3.安装完成出现如下图标表示安装成功。

4.安装OCR引擎，执行以下命令

sudo pacman -S tesseract-data-eng tesseract-data-chi_sim #安装的tesseract-data-eng用于识别英文 #安装的tesseract-data-chi_sim用于识别简体中文

一、打开软件出现如下界面

上图中：

1处用来加载待识别的图片

2处用来选择图片中的识别区域

3处用来切换识别文字的语种，可以识别汉语、英语、英汉混合

4处用来显示识别结果

二、下图为识别效果图，更多功能自行探索。