截至今天，Tesseract可以檢測100多種語言，甚至可以處理從右到左的文本，例如阿拉伯語或希伯來語！難怪Google會將其用于移動設備，視頻和Gmail的圖像垃圾郵件檢測算法中的文本檢測。從版本4開始，Google對該OCR引擎進行了重大改進。Tesseract 4．0添加了新的OCR引擎，該引擎使用基于LSTM（長期短期記憶，https：／／www．analyticsvidhya．com／blog／2017／12／fundamentals－of－deep－learning－introduction－to－lstm／）  的神經網絡系統，這是解決序列預測問題的最有效解決方案之一。盡管它以前使用模式匹配的OCR引擎仍可作為舊代碼使用。將Tesseract下載（https：／／tesseract－ocr．github．io／tessdoc／Home．html） 到系統后，可以使用以下命令從命令行輕松運行它（https：／／tesseract－ocr．github．io／tessdoc／Command－Line－Usage．html）：tesseract ＜test＿image＞ ＜output＿file＿name＞ －l ＜language（s）＞ －－oem ＜mode＞ －－psm ＜mode＞

你可以更改Tesseract配置以獲得最適合你的圖像的結果：語言（－l） ： 使用Tesseract可以檢測一種或多種語言OCR引擎模式（－oem）： 如你所知，Tesseract 4具有LSTM和Legacy OCR引擎。根據它們的組合，有4種有效的操作模式

頁面分割（–psm） ： 可以根據圖像中的文本進行調整以獲得更好的結果

Pyteseract但是，除了命令行方法之外，你還可以使用Pytesseract（https：／／github．com／madmaze／pytesseract） ：Tesseract的Python包裝器。使用此功能，你可以通過編寫簡單的Python腳本使用Tesseract OCR輕松實現自己的文本識別器。你可以使用pip install pytesseract命令下載Pytesseract  。Pytesseract的主要功能是image＿to＿text（），它將圖像和命令行選項作為其參數：

Tesseract面臨的挑戰是什么？Tesseract并不完美，這不是什么秘密。當圖像有很多噪聲或者語言的字體是Tesseract OCR沒有經過訓練的字體時，它的性能很差。其他條件（如文本的亮度或傾斜度）也會影響Tesseract的性能。然而，它是文本識別的一個很好的起點，具有低努力和高產出的特點。文本檢測的不同方法Tesseract假定輸入文本圖像是干凈的。不幸的是，許多輸入圖像將包含過多的對象，而不僅僅是干凈的預處理文本，因此，必須具有一個良好的文本檢測系統，該系統可以檢測隨后可以輕松提取的文本。文本檢測有幾種方法：使用OpenCV的傳統方式使用當代深度學習模型建立自己的自定義模型使用OpenCV進行文本檢測使用OpenCV進行文本檢測是經典的處理方式。你可以應用各種操作（https：／／www．analyticsvidhya．com／blog／2019／03／opencv－functions－computer－vision－python／） ，如圖像調整大小，模糊，閾值化，形態學操作等，以清理圖像。

在這里，我們有按灰度，模糊度和閾值順序排列的圖像。完成此操作后，可以使用OpenCV輪廓檢測來檢測輪廓以提取數據塊：最后，你可以在預測文本的輪廓上應用文本識別：

上面圖像中的結果是通過最少的預處理和輪廓檢測以及隨后使用Pytesseract進行文本識別實現的，顯然，輪廓并不是每次都檢測到文本。但是，使用OpenCV進行文本檢測仍然是一項繁瑣的任務，需要使用大量參數。同樣，它在泛化方面的表現也不好，更好的方法是使用EAST文本檢測模型。當代深度學習模型– EASTEAST是一種高效、準確的場景文本檢測器，是一種從自然場景圖像中檢測文本的深度學習模型，它非常快速和準確，因為它能夠以13．2fps的速度檢測720p圖像，f值為0．7820。該模型由一個完全卷積網絡和一個非最大抑制階段組成，用于預測單詞或文本行。但是，該模型不包括其他先前模型所涉及的可以優化模型的中間步驟，例如候選建議，文本區域形成和單詞劃分。你可以看一下作者在論文中提供的以下圖像，將EAST模型與其他先前模型進行了比較：