tesseract OCR Engine overview字符识别学习

原文： An Overview of the Tesseract OCR Engine 

下载地址http://code.google.com/p/tesseract-ocr/wiki/Documentation

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练样本，所以后面的字符（比如页尾）的字符识别更精确；此时，页首的字符识别比较吃亏，所以tesseract会对整页的识别不太好的字符，再次进行识别。

5.最后，识别含糊不清的空格，及用其他方法，如由笔画高度（x-height），识别小写字母的文本。

small-cap：小写字母？

利用第四个步骤的特性，对单个字符识别，选用能识别的比较好的字符放在页首，将待识别的字符放在页尾